Werkstoffe: KI revolutioniert die Materialentwicklung

Werkstoffe beeinflussen Eigenschaften und Einsatzmöglichkeiten eines Produkts, sie bestimmen Fertigungsprozesse und Kosten. Am Material hängt jedoch noch sehr viel mehr. Die Nutzung kritischer, konfliktbehafteter Rohstoffe birgt gesellschaftlichen Zündstoff. Regulatorische Eingriffe bringen schnell auch solide, gut fundierte Entscheidungen für einen Werkstoff ins Wanken. Dazu kommen schwindende Vorkommen, geo-politisch bedingte Verknappungen oder gestörte Lieferketten. Für Forschungs- und Entwicklungsabteilungen bedeutet all dies, sie müssen im Fall des Falles immer schneller für tragfähige Alternativen sorgen.

Material-Substitute zu finden gleicht jedoch häufig der Suche nach der Stecknadel im Heuhaufen. Der Lichtblick: Unter dem Strich geht es um komplexe, aber regelbasierte Entscheidungsprozesse und um Mustererkennung in einem unübersichtlichen Daten-Dschungel. Eine Aufgabe wie gemacht für Künstliche Intelligenz (KI)?

Was macht PFAS-Substitution so herausfordernd?

Beispiel per- und polyfluorierten Alkylsubstanzen (PFAS): Um ein EU-weites Verbot der ‚Ewigkeits-Chemikalien’, die sich einerseits mit der Gefahr gravierender Folgen in Böden und lebenden Organismen anreichern und andererseits aus vielen technischen Komponenten kaum wegzudenken sind, wird noch immer gerungen. „Es gibt einige Firmen, die schon jetzt nach Möglichkeit freiwillig auf Fluorpolymere verzichten wollen. Auch, weil diese durch die Diskussion um PFAS mittlerweile einen gewissen negativen Ruf erlangt haben, obwohl diese Polymere an sich eigentlich sehr, sehr gut sind“, berichtet Frank Schönberger, Leiter der Abteilung Synthese und Formulierung am Fraunhofer LBF, Darmstadt.

Gesucht: Substitute für PFAS

„Allerdings ist die Substitution von PFAS leider ein mehrperspektivisches Problem. Aufgrund ihrer besonderen chemischen Eigenschaften ist es schwierig, Fluorpolymere pauschal zu ersetzen“, erklärt er. Vor allem dort, wo kein Over-Engineering vorliege. Sprich dort, wo die tatsächlichen Anforderungen an ein Produkt vom eingesetzten Werkstoff deutlich übertroffen werden. Häufig hängen diese Anforderungen nicht nur von einem Merkmal ab, sondern von einer Kombination mehrerer Eigenschaften. „Genau das ist das Herausfordernde bei PFAS. Ob sich ein Fluorpolymer ersetzen lässt, ist immer eine Frage des jeweiligen Anforderungssatzes. Bei der Bewertung von Anforderungen wird KI künftig sicherlich eine wichtige Rolle spielen“, erwartet Schönberger.

Wie funktioniert KI-gestützte Werkstoffsuche konkret?

Jenseits der PFAS-Thematik sieht er Potenzial für KI-Tools in der klassischen Formulierungsentwicklung, etwa bei Kunststoff-Rezyklaten: „Firmen und auch wir formulieren Kunststoffe heute häufig auf der Basis empirischer Erkenntnisse. Insbesondere im Kontext mit Rezyklaten, weil hier aufgrund beschädigter Polymerketten oder alleine schon wegen der unterschiedlichen Quellen die Materialbasis deutlich breiter ist. Da würde ich schon sehen, dass Künstliche Intelligenz hier Einzug hält und hilft, die Qualität einer Formulierung deutlich zu verbessern“, erwartet er.

Sowohl im Experimentellen, als auch bei der Vorhersage der einzustellenden Eigenschaften, bei Recherchen in der wissenschaftlichen Literatur oder zur Bewertung von PFAS-Substituten sei KI ein Tool der Wahl. „Hier ein Werkzeug zu haben, das zumindest für bestimmte Anwendungen eine Bewertung möglichst automatisiert generiert, das wäre natürlich ein Traum“, findet Schönberger.

KI geht anders vor als der Mensch

Die Vision, KI-Methoden in breitem Umfang für Fragestellungen der Materialentwicklung nutzbar zu machen, nimmt bereits in großen Schritten Gestalt an. So auch am Max-Planck-Institut (MPI) für Nachhaltige Materialien in Düsseldorf. „Der Impact des Werkezugs KI auf die Materialforschung ist enorm. Wir sehen hier einen echten Game-Changer“, stellt Prof. Dierk Raabe fest. Als Geschäftsführender Direktor leitet er die Abteilung Mikrostrukturphysik und Legierungsdesign des Instituts.

„Die Umwälzungen, die hier bereits begonnen haben, sind – flapsig ausgedrückt – in vielerlei Hinsicht aktuell fast noch ‚underhyped’. Ich habe in meiner Laufbahn noch nie einen derart rasanten wissenschaftlichen Fortschritt in unserem Gebiet erlebt“, betont er. Forschende des ehemaligen Düsseldorfer Instituts für Eisenforschung loten die Potenziale bereits aus – unter anderem bei der Entwicklung von Metall-Legierungen für die Luftfahrt oder von Magneten für die Turbinen von Windkraftanlagen. „Bei Funktionsmaterialien wie Magneten sind die speziellen Eigenschaften, die sich je nach Anwendung deutlich unterscheiden können, nicht so einfach linear vorhersagbar.

KI durchforstet Tabellen sowie Datenbanken und korreliert

Für die Prognose, ob ein Magnet in anderer Materialzusammensetzung, beispielsweise mit weniger Neodym oder Dysprosium, seine Aufgabe trotzdem erfüllt, ist eigentlich ein quantenmechanisches Verständnisnötig“, erklärt er. Klassischerweise würde dies deshalb auf Basis quantenmechanischer Theorien ermittelt. „In tausenden und abertausenden Rechnungen: Ob sich eine Zusammensetzung ergibt, die vielleicht in die richtige Richtung weist und die magnetischen Eigenschaften beispielsweise bei einer preiswerteren Zusammensetzung verbessert“, berichtet Raabe. Es ist ein aufwändiges und langsames ‚Sich-Herantasten’.

„KI geht anders vor. Sie hat keine quantenmechanischen Theorien im Kopf, sondern durchforstet wissenschaftliche Tabellen, Datenbanken und Veröffentlichungen und korreliert, was sie zur Fragestellung findet. Es ist ein agnostisches Vorgehen, eine Mustererkennung, die in Datenräumen Trends ermittelt“, erklärt er. Am MPI durchlaufen die Ergebnisse im Anschluss weitere Optimierungs- und Überprüfungsschritte – zum Teil automatisiert durch andere KI-Methoden und in Agenten-Systemen. „Viele Entwicklungsprozesse können damit schon jetzt um 30 bis 50 Prozent beschleunigt und in die richtige Richtung angeschoben werden“, schätzt er.

Aber nicht nur die Zeitersparnis ist enorm. „Künstliche Intelligenz arbeitet anders als der Mensch. Das führt auch immer wieder dazu, dass sie Prozesse oder Werkstoffzusammensetzungen vorschlägt, die bislang niemand auf dem Schirm hatte“, berichtet Raabe. Er warnt jedoch auch davor, Künstliche Intelligenz zu überschätzen und dem Irrtum zu erliegen, sie für alles einsetzen zu wollen: „Sehr häufig reicht klassische Mathematik. KI ist nur ein weiteres Werkzeug. Man sollte sich nicht in das Werkzeug verlieben, sondern in das Ergebnis.“

Projekt 'Future Sustainable Car Materials'

CO2-neutrale Industrie

Industrie-Allianz treibt kreislauffähige Werkstoffe voran

Ein branchenweites Konsortium entwickelt neue Fertigungsrouten für kreislauffähige Werkstoffe. Welche Chancen ergeben sich daraus für den Mittelstand und was kann er jetzt tun?Lesen Sie hier.

Standortvorteil Domänen-Wissen

Ein weiterer verbreiteter Irrtum betreffe den Umfang der erforderlichen Manpower und Rechenkapazität für den Einsatz von KI. Der würde häufig unnötig hoch angesetzt. Sein Rat an Unternehmen, die über einen KI-Einsatz nachdenken: „Klein einsteigen.“ In Nischen oder mit klar abgrenzbaren Problemen anfangen. Am Markt verfügbare Tools mit „ein, zwei KI-Experten“ maßgeschneidert für eigene Anwendungen adaptieren und sich im Unternehmen eine eigene, unternehmensinterne KI aufbauen. Um die aktuelle Entwicklung aktiv mit zu gestalten, unabhängig zu bleiben und resilienter zu werden.

„Die großen IT-Konzerne im Silicon Valley mögen in mancherlei Hinsicht vielleicht die Nase vorne haben. Aber der große Vorteil der deutschen Industrie ist ihr Domänen-Wissen“, stellt er klar. Gerade in der Materialentwicklung gehe es nicht nur – im Fall von Metallen – um neue Kristallstrukturen, designed von einer KI im Cyber-Space. „Es geht um den ‚ganzen Kram der echten Welt’, denn eine neue Struktur ist noch kein Werkstoff. Ein Werkstoff ist etwas, das verwendet, hergestellt, verteilt werden muss. Er kostet, hat einen CO₂-Fußabdruck und durchläuft einen komplexen Prozess. Genau hier greift unser Domain-Knowledge und bringt einen erheblichen Wettbewerbsvorteil,“ betont er.

Auch Materialwissenschaftler Dr. Josua Vieten sieht angesichts der scheinbaren KI-Übermacht im Silicon Valley keinen Grund für Pessimismus: „Deutschland ist sehr stark darin, Wissenschaft oder Technologie mit KI zu kombinieren.“ Der Chemiker und Managing Director des Münchner Start-ups ExoMatter hat selbst mehrere Jahre in den USA geforscht und gearbeitet und aus dieser Zeit die Kern-Idee für die ‚ExoMatter Plattform for Materials R&D’ mitgebracht, auf der sein 2022 gemeinsam mit Barbara Bachus gegründetes Unternehmen beruht. Die KI-gestützte Plattform ist ein Spin-off des Deutschen Institut für Luft- und Raumfahrt (DLR). Sie unterstützt Forschungs- und Entwicklungs-Teams in Wirtschaft und Wissenschaft dabei, ohne zeitraubende Umwege die vielversprechendsten Kandidaten für ihre Anwendung auszuwählen.

Gezieltere Suche, schnellere Ergebnisse

Grundsätzlich ist die dafür zu durchsuchende Datenmenge immens. „Eigentlich ist die Zahl der theoretisch möglichen Kombinationen an chemischen Elementen unendlich groß. Aber mit bestimmten Annahmen lässt sich die Zahl wissenschaftlichen Schätzungen zufolge auf 10 hoch 60 begrenzen. Das sind mehr Materialien als Sterne im Universum“, stellt Vieten fest. Viele Unternehmen benutzten deshalb Materialien, die sie bereits kennen oder orientierten sich an Industrie-Standards. „Jenseits davon ist die Entwicklung eines neuen Materials oder die Suche nach einem Material-Substitut auf dem klassischen Weg mit sehr viel Versuch und Irrtum verbunden“, weiß auch er aus Erfahrung.

ExoMatter: Datenbank gegen Materialengpässe

ExoMatter ist deshalb angetreten, Materialfindungs- und Entwicklungsprozesse deutlich zu beschleunigen. „Vor allem der initiale Material-Screening-Prozess verschlingt sehr viel Zeit. Durch Simulationen und mit Hilfe unserer Datenbank können wir die Screening-Phase drastisch verkürzen und bis zu 90 Prozent der Laborversuche einsparen“, schätzt Vieten. „Insgesamt haben wir eineinhalb Millionen Materialien in unserer Datenbank und zu diesen 1,5 Millionen Materialen jeweils ungefähr 30 Materialeigenschaften“, berichtet er. Dazu gehören chemische, mechanische und physikalische Eigenschaften, aber auch eine Abschätzung von Kosten oder des CO₂-Fußabdrucks. Durchsuchbar ist die Datenbank mittels definierter Parameter oder über einen KI-Agenten, der Anweisungen in natürlicher Sprache in Suchparameter umsetzt.

Aktuell konzentriert sich ExoMatter noch auf anorganische kristalline Materialien. Besonders gefragt sind Keramiken, Halbleitermaterialien und Katalysatoren. Dieses Material-Spektrum soll sich in den kommenden Jahren jedoch deutlich erweitern. „Außerdem wollen wir mittelfristig den gesamten Prozess der Materialentwicklung abdecken. Momentan liegt unser Schwerpunkt auf Material-Screening und Simulation. Darüber möchten wir unseren Kunden künftig die Möglichkeit geben, ihre Materialdaten bei uns zu speichern und ihre Berechnungen KI-gestützt laufend zu verbessern“, berichtet er.

KMU den Zugang zu KI erleichtern

Neben Forschungseinrichtungen nutzen bislang vor allem größere Unternehmen Dienstleistungen wie die von ExoMatter. Auch KMU den Zugang zu Künstlicher Intelligenz in der Material-Entwicklung und -Substitution zu erleichtern, ist das Ziel von Forschenden des Fraunhofer IPA in Stuttgart. „Die Gründe für eine Material-Substitution sind vielfältig. Immer häufiger spielen regulatorische Änderungen im produktbezogenen Umweltschutz eine wichtige Rolle, wie das Verbot von bleihaltigem Lötzinn in der Elektro- und Elektronikindustrie. Ein anderes großes Thema sind aktuell die PFAS, die nicht nur in der EU verboten werden sollen, sondern auch außerhalb. Solche Einschränkungen stellen gerade kleine und mittlere Unternehmen häufig vor eine gewaltige Herausforderung“, ist die Erfahrung der Umweltchemikerin Charlotte Schmidt, Expertin für Material Compliance Management am Fraunhofer IPA.

Wissen, was die Industrie bewegt!

Alles zu Industrie 4.0, Smart Manufacturing und die ganze Welt der Technik.

Newsletter gratis bestellen!

Fraunhofer IPA: KI für smarte Materialentscheidungen

„Es gibt zwar Datenbanken, die Produktentwickler für die Recherche heranziehen können und mittlerweile auch immer mehr KI-gestützte Tools. Doch die liefern oft keine brauchbaren Ergebnisse, weil sie den genauen Anwendungsfall im Unternehmen nicht berücksichtigen, stellt Schmidt immer wieder fest. Außerdem besteht das Risiko, dass solche Empfehlungen auch aus anderen Gründen zu kurz greifen: „Probleme können beispielweise entstehen, wenn ein Material durch ein anderes ersetzt wird, das zwar technisch geeignet ist, jedoch ohne Berücksichtigung wichtiger Faktoren wie Versorgungssicherheit, Umweltverträglichkeit oder regulatorischer Risiken ausgewählt wird.“

Die Lösung der Stuttgarter Forscherin und ihrer beiden Team-Kolleginnen Ana Pinzon und Sophia Giunta: Eine umfassende Erhebung des Bedarfs, eine Recherche mit standardisierten Prompts nach passenden Alternativen in wissenschaftlichen Veröffentlichungen, die auf dem KI-Tool ‚Semantic Scholar’ des Allen Institute for Artificial Intelligence basiert, und im Anschluss eine fundierte Einschätzung, welche Risiken möglicherweise mit ihnen verbunden sind. „Vor allem die ökologische, rechtliche und soziale Bewertung kommt häufig zu kurz. Aber nur damit lässt sich einschätzen, ob ein Substitut beispielsweise tatsächlich nachhaltiger ist, oder unbedenklicher aus Sicht der gesetzgebenden Organe und welche regulatorischen Einschränkungen künftig drohen können“, so Schmidt.

Ein großes Manko beim Einsatz Künstlicher Intelligenz ist, dass nur brauchbare Antworten erhält, wer die richtigen Fragen stellt. „Wir haben dafür ein strukturiertes Vorgehen entwickelt und ich denke, dass das mit der größte Benefit unseres Angebots ist. Unternehmen mit einem Prozess zu unterstützen, das Thema strukturiert anzugehen. Denn genau das fehlt häufig noch.“

überarbeitet von: Dietmar Poll