Neue Materialien sollen technische Innovationen ermöglichen – von leistungsfähigeren Elektronikbauteilen bis hin zu umweltfreundlicheren Baustoffen. Doch was nützt ein Material mit herausragenden Eigenschaften, wenn seine Herstellung enorme Energiemengen verschlingt oder knappe Rohstoffe benötigt? Solche Fragen werden bei der Entwicklung neuer Materialien häufig erst spät berücksichtigt. Dann sind unter Umständen bereits erhebliche Mengen an Zeit, Energie und Geld in eine Lösung investiert worden, die sich für den praktischen Einsatz als wenig geeignet erweist.
Ein internationales Forschungsteam mit Beteiligung der Friedrich-Schiller-Universität Jena entwickelte hierzu nun eine Strategie, wie künstliche Intelligenz künftige Materiallösungen nicht nur nach technischen Eigenschaften auswählen soll, sondern bereits bei der frühen Forschung Nachhaltigkeitsfragen wie zum Beispiel mögliche Umweltwirkungen berücksichtigen kann. Dafür schlagen die Forschenden einen Ansatz vor, der die KI-gestützte Materialentwicklung mit vorausschauenden Lebenszyklusanalysen und weiteren Fragen der Nachhaltigkeit verbindet.
Fragen wie die, ob ein Material energieintensiv hergestellt werden muss, welche Ressourcen es benötigt oder was am Ende seines Lebenszyklus mit ihm geschieht, können häufig nur spät oder sogar erst während des Einsatzes unter realen Bedingungen beantwortet werden. Gleichzeitig steigt der für derartige Untersuchungen notwendige Aufwand mit zunehmendem Fortschritt meist rapide.
Die Forschenden schlagen in ihrer jetzt vorgelegten Arbeit vor, Methoden der Lebenszyklusanalyse direkt in KI-basierte Entwicklungsprozesse einzubinden und sie dabei so zu gestalten, dass vorausschauende Aussagen möglich werden. „Eine solche Analyse erfasst Umweltwirkungen von der Rohstoffgewinnung über Herstellung und Nutzung bis zum Lebensende eines Produkts. Künftig könnten diese Informationen bereits frühzeitig beeinflussen, welche Materialkandidaten ein KI-System weiterverfolgt und welche es letztlich in den realen Entwicklungsprozess außerhalb der Computerumgebung schaffen“, sagt Prof. Dr.-Ing. Lothar Wondraczek von der Universität Jena.
Wie nachhaltig ist ein Material, das es noch gar nicht gibt?
Die Roadmap umfasst fünf miteinander verknüpfte Aufgaben. Informationen aus wissenschaftlichen Publikationen und anderen Quellen sollen automatisiert erschlossen und in Material- und Umweltdatenbanken zusammengeführt werden. Darauf aufbauend sollen Modelle abschätzen, wie Zusammensetzung und Struktur eines Materials mit Herstellungsverfahren und Umweltwirkungen zusammenhängen. Mehrere mögliche Produktionswege und deren Unsicherheiten sollen dabei ausdrücklich berücksichtigt werden. Schließlich sollen technische Leistung und Umweltwirkungen gemeinsam in die Optimierung eingehen.
Eine besondere Schwierigkeit liegt darin, dass für völlig neue Materialien noch keine Daten aus industrieller Herstellung oder langjähriger Nutzung existieren. Die Forschenden schlagen deshalb vor, zunächst verschiedene plausible Szenarien zu berechnen und die damit verbundenen Unsicherheiten transparent zu machen. Mit neuen experimentellen und industriellen Daten könnten die Modelle anschließend schrittweise verbessert werden.
„Eine besondere Herausforderung besteht darin, ganz unterschiedliche Informationen miteinander zu verknüpfen“, erklärt N. M. Anoop Krishnan, Professor am Indian Institute of Technology Delhi und ehemaliger Humboldt-Gastwissenschaftler an der Universität Jena. „Neben Messwerten und Computersimulationen müssen die KI-Modelle künftig auch Informationen über Herstellungsverfahren, gesetzliche Vorgaben und die gesellschaftliche Akzeptanz eines Materials berücksichtigen.“
Von Kunststoff über Glas bis Zement
An Polymeren, Glas, Fotolacken für die Halbleiterfertigung und Zement zeigt das Team, wie unterschiedlich die Voraussetzungen für derartige KI-Modelle sind. Bei Polymeren fehlen unter anderem systematisch aufbereitete Daten zu Umweltwirkungen, bei neuen Gläsern geeignete Modelle, die Zusammensetzung, Eigenschaften und Umweltbilanz verbinden. Für Zement existieren dagegen vergleichsweise viele Ökobilanzdaten, während die Modellierung von Materialeigenschaften über mehrere Größenskalen hinweg schwierig bleibt.
„Multimodale KI-Modelle, die in die Zukunft schauen, können uns dabei helfen, aus der Vielzahl theoretisch möglicher Materialien genau diejenigen herauszufiltern, die mit hoher Wahrscheinlichkeit auch zu nachhaltigen Anwendungen führen könnten. Sie werden uns aber nicht davon abhalten, im Labor auch neugierig unwahrscheinliche Ansätze zu verfolgen“, resümiert Prof. Wondraczek