Es ist 1943, und die USA befinden sich im Krieg. Die Handelsbeziehungen mit Asien sind unterbrochen. Die Amerikaner haben deshalb Schwierigkeiten, ausreichend Gummi für die Reifen ihrer militärischen Fahrzeuge und die Stiefel der Soldaten zu importieren. Der Ingenieur James Wright von General Electric soll einen künstlichen Ersatz entwickeln. Er experimentiert mit klebrigen Silikonölen, die er mit Borsäure vermischt. Aber das Ergebnis stimmt ihn derart unzufrieden, dass er das Material auf den Boden schmeißt. Zu seiner Überraschung hüpft es zurück. Die "intelligente Knete" ist geboren, die dummerweise nur als Spielzeug taugt.

Die Materialforschung ist auch heute eine gefragte Disziplin. In der Industrie können neue Werkstoffe Innovationen vorantreiben – seien es neuartige Halbleiter für die Fotovoltaik, Materialien für leichte Flugzeuge, Dämmstoffe für Häuser oder Wasser abweisende Oberflächen für Regenmäntel. Allerdings ist die Suche nach Materialien aufwändig und langwierig, sofern man sich nicht auf den Zufall verlassen möchte. Schon seit etwa 20 Jahren erhoffen sich die Forscher Unterstützung durch Informationstechnik. Aber erst in jüngster Zeit sind die Rechner so leistungsstark, dass der Computer als kreativer Erfinder keine Sciencefiction-Fantasie mehr zu sein scheint.

Die Idee ist immerhin verlockend: Suchen Forscher nach einem Material, das zum Beispiel selbstreinigend ist und als Lack auf eine Häuserwand aufgetragen werden soll, teilen sie das dem Computer mit, und dieser liefert die passenden Vorschläge. Die vielversprechendsten Kandidaten müssen dann nur noch im Labor getestet werden. Ein solcher kreativer Computer könnte weit über die Materialwissenschaften hinaus nützlich sein und Probleme lösen: Stadtplaner füttern ihn mit Daten über das Leben in einer Metropole. und er verrät ihnen, wie sie diese umgestalten müssen, damit es weniger Staus, Verschmutzung und Kriminalität gibt.

So weit die Vision. In der Realität ist schon der erste Teil – die kreative Suche nach Materialien – knifflig. Forscher wie Nicola Marzari von der Eidgenössischen Technischen Hochschule Lausanne (EPFL) und Klaus-Robert Müller von der Technischen Universität Berlin möchten dennoch mit Hilfe der künstlichen Intelligenz (KI) die Eigenschaften von Molekülen oder Materialien voraussagen, indem sie einem Rechner die Gesetze der Quantenmechanik beibringen. "Wir verstehen, wie Atome interagieren und wie sie sich zu manchen Molekülen oder Feststoffen formen", sagt Müller. "Unsere Software soll nun berechnen, wie sie sich in unbekannten Zusammensetzungen verhalten würden."

Suche nach Mustern

Die Berechnung folgt einer einfachen Logik: Der Computer sucht in bekannten quantenmechanischen Vorgängen nach Mustern, die er anschließend auf unbekannte Moleküle überträgt. Je mehr Information der Rechner erhält, desto genauer ist die Berechnung. Es ist so, als würde man ihm erklären, was eine gerade und eine ungerade Zahl ist. Je mehr Zahlen man als Beispiele angibt, desto eher kann er das Prinzip durchschauen. Weiß er nur, dass 1 ungerade und 2 gerade ist, wäre die Vorhersage, was 3, 4 und 5 sind, unzuverlässig. Kennt er aber eine lange Reihe von Zahlen und ihre Eigenschaften, würde er das Muster erkennen, und die Vorhersage würde funktionieren.

In der Quantenchemie bestimmen Forscher die Eigenschaften eines Moleküls derzeit mittels numerischem Lösen einer angenäherten Schrödinger-Gleichung. "Mit diesem Verfahren dauert die Berechnung der Eigenschaften eines Moleküls jedoch etwa fünf Stunden", sagt Klaus-Robert Müller. "Wir brauchen mit maschinellem Lernen nur Millisekunden, und das Ergebnis ist ungefähr von gleicher Aussagekraft."

Die Erkenntnisse aus Müllers Forschungen sind noch nicht unbedingt für die Entwicklung von Materialien relevant, können aber etwa helfen, die Wirkungsweise von Arzneimitteln besser nachzuvollziehen. "Wir wissen bei manchen Medikamenten, beispielsweise Aspirin, wie Moleküle mit Rezeptoren in der Körperzelle interagieren, aber wir wissen nicht, warum sie das tun", sagt er. "Mit schnelleren Berechnungen könnten wir künftig simulieren, wie sich die Eigenschaften großer Moleküle über längere Zeiträume verändern, und so Rückschlüsse auf die Grundprinzipien der Molekularmechanik ziehen."

In Lausanne möchten Marzari und sein Team auf ähnliche Weise bereits die Eigenschaften unbekannter Materialien vorhersagen. Da sie komplexer sind als einzelne Moleküle, beschränken sich die Forscher zunächst auf anorganisches Material wie solches für Batterien oder die Fotovoltaik. Die Referenzdaten für die Berechnungen stammen aus internationalen Datenbanken für anorganische Kristalle wie der Inorganic Crystal Structures Database (ICSD), der Crystallography Open Database (COD) sowie dem Pauling File. Darin sind Feststoffe beschrieben, die im Labor mindestens einmal getestet und in Fachbeiträgen beschrieben wurden.

"Die Datenbanken enthalten so gut wie alle experimentellen Daten, die es in diesem Bereich gibt", sagt Marzari. "Der Rechner kann auf dieser Basis die Stabilität eines neuen Materials berechnen, zum Beispiel wie schnell es unter Druck oder Hitze in den Ursprungszustand zurückfällt. Auch Aussagen über die Leitfähigkeit und Magnetismus sind möglich." Die Algorithmen müssen jedoch berücksichtigen, wie es eingesetzt wird: Welches andere Material wirkt auf das berechnete ein? Korrodiert dieses? Bleibt es im Betrieb stabil und falls ja, wie lange?

Um ein neues Material zu finden, gibt es verschiedene Möglichkeiten. Ein Forscher kann zum Beispiel die verschiedenen Klassen eines Perowskit vom Typ ABO3 berechnen lassen, wobei A und B Variablen für verschiedene Atome sind. Dadurch ergeben sich Tausende möglicher Kombinationen. Der Computer rechnet sie durch und bestimmt die aussichtsreichsten Kandidaten, die den Eigenschaften nahekommen, die der Forscher gerade sucht. Der zweite Ansatz wäre, einen bekannten Werkstoff aus den Datenbanken als Ausgangspunkt zu nehmen und seine Eigenschaften abzuändern. Der Rechner versucht dann, neue, stabile Materialien zu bestimmen.

Die Genauigkeit der Vorhersagen hängt von der Eigenschaft der Materialien ab, die der Computer simulieren soll. "Manche Prognosen sind präzise, manche nutzlos", sagt Marzari. "In den 1980er Jahren entdeckte man zum Beispiel Hochtemperatursupraleiter. Das sind Materialien, die ohne Verluste Energie leiten. Aber wir haben keine überzeugende Theorie, die erklärt, wie sie funktionieren. Entsprechend ist es auch für den Rechner schwierig, Vorhersagen zu machen. Bei Materialien aus Silizium oder Graphen können wir hingegen akkurate Vorhersagen über die Leitfähigkeit machen und über die Position der Atome in der neuen Verbindung."

Dummerweise verraten die Simulationen auch nicht, ob das Ergebnis im Labor hergestellt oder in Massen produziert werden kann. Doch mit jeder Vorhersage, die experimentell überprüft wird, funktioniert das System besser. Die Forscher sprechen von einer Art mooreschem Gesetz der Materialprognose. Die Vorhersagegenauigkeit wächst exponentiell.

Millionen unbekannte Materialien

"Wir haben derzeit nur von etwa 200 000 Materialien experimentell geprüftes Wissen", sagt Marzari. "Somit sind wahrscheinlich Millionen möglicher Materialien noch unbekannt." Hinzu komme, dass selbst bei den bekannten nicht alle Eigenschaften überprüft seien. In den 1930er Jahren wurde zum Beispiel Lithiumeisenphosphat synthetisiert, aber damals kam niemand auf die Idee, dass es sich für Lithiumionen-Batterien eignen könnte. Erst rund 60 Jahre später entdeckten Forscher diese Möglichkeit.

Marzari und Müller sind nicht die Einzigen, die Prognosesysteme entwickeln. Weil Materialien komplex sind, konzentrieren sich auch die anderen Forscher auf bestimmte Schwerpunkte: Das MIT versucht im Materials Genome Project, lithiumbasierte Materialien für elektrische Autobatterien vorherzusagen. Am Duke Center for Materials Genomics geht es um Metalllegierungen. Und das Nanoporous Materials Genome Center der University of Minnesota beschäftigt sich mit Zeolithen und metallorganischen Gerüsten, mit denen man zum Beispiel Methan oder Kohlendioxid speichern könnte.

Noch sind die künstlich intelligenten Systeme allerdings weit davon entfernt, im menschlichen Sinne kreativ zu sein. Sie können nicht querdenken. Hans Uszkoreit vom Deutschen Forschungszentrum für Künstliche Intelligenz sagt: "Obwohl sie manchmal unerwartete Ergebnisse liefern, erfüllen diese Systeme nicht die Anforderungen an das, was wir unter kreativ verstehen." Uszkoreit vergleicht die Erfolge in der Materialsuche mit den Leistungen von "Roboterpoeten", der so genannten stochastischen Poesie. Dabei gibt ein Computer per Zufallsverfahren verschiedene Textzeilen aus, und manche sind überraschend poetisch, aber der Rechner selbst kann das nicht einschätzen. "Was die KI leistet, ist also lediglich eine geschickte Berechnung, und das gilt für alle Systeme, die wir im Moment haben", sagt Uszkoreit.

"Erst wenn neuronale Netzwerke komplexere Zusammenhänge lernen und sie auch assoziativ auf etwas Neues übertragen können, sprechen wir von echter Kreativität", ergänzt er. "Kreativ wäre zum Beispiel ein System, das einem Touristen, der sich in der Elblandschaft wohl fühlt, eine Landschaft in der Toskana empfiehlt, in der eine ähnliche Stimmung herrscht." Dabei müsste die KI verstehen, was eine Stimmung ausmacht. Auf die Materialforschung bezogen bedeutet das: Eine kreative KI würde nicht nur einen eng gesteckten Bereich durchrechnen, sondern verstehen, was zum Beispiel Fotovoltaik leisten soll. Die Software würde per Assoziation dann auch Materialien aus anderen, nicht unbedingt verwandten Gebieten vorschlagen, auf die sonst niemand kommen würde.