Die Roboter-Köche waren tief in ihr Rezept vertieft und schufteten in einem Raum voller Geräte. In einer Ecke wählte und mischte ein Gelenkarm Zutaten aus, während ein anderer auf einer festen Schiene hin und her glitt und die Öfen bediente. Ein dritter war mit dem Galvanisieren beschäftigt und schüttelte vorsichtig den Inhalt eines Tiegels auf eine Schüssel. Gerbrand Ceder, Materialwissenschaftler am Lawrence Berkeley National Lab und der UC Berkeley, nickte zustimmend, als ein Roboterarm behutsam ein leeres Plastikfläschchen zusammendrückte und verschloss – eine besonders knifflige Aufgabe, die er am liebsten beobachtete. „Diese Jungs können die ganze Nacht arbeiten“, sagte Ceder und warf zwei seiner Doktoranden einen schiefen Blick zu.
Die Anlage namens A-Lab ist mit Inhaltsstoffen wie Nickeloxid und Lithiumcarbonat ausgestattet und soll neue und interessante Materialien herstellen, insbesondere solche, die für zukünftige Batteriedesigns nützlich sein könnten. Die Ergebnisse können unvorhersehbar sein. Sogar ein menschlicher Wissenschaftler macht bei einem neuen Rezept normalerweise beim ersten Mal einen Fehler. Manchmal produzieren die Roboter also ein wunderschönes Pulver. Manchmal ist es eine geschmolzene, klebrige Masse, oder alles verdunstet und es bleibt nichts übrig. „An diesem Punkt müssten die Menschen eine Entscheidung treffen: Was mache ich jetzt?“ Ceder sagt.
Die Roboter sollen dasselbe tun. Sie analysieren, was sie zubereitet haben, passen das Rezept an und versuchen es erneut. Und wieder. Und wieder. „Man gibt ihnen morgens ein paar Rezepte und wenn man nach Hause kommt, hat man vielleicht ein schönes neues Soufflé“, sagt die Materialwissenschaftlerin Kristin Persson, Ceders enge Mitarbeiterin am LBNL (und auch Ehefrau). Oder Sie kehren einfach zu einem verbrannten Chaos zurück. „Aber morgen machen sie wenigstens ein viel besseres Soufflé.“
Video: Marilyn Sargent/Berkeley Lab
Dank eines von Google DeepMind entwickelten KI-Programms ist die Auswahl an Gerichten, die Ceders Robotern zur Verfügung stehen, in letzter Zeit exponentiell gewachsen. Die Software mit dem Namen GNoME wurde mit Daten von trainiert Materialprojekt, eine von Persson betreute, kostenlos nutzbare Datenbank mit 150.000 bekannten Materialien. Anhand dieser Informationen entwickelte das KI-System Entwürfe für 2,2 Millionen neue Kristalle, von denen 380.000 als stabil vorhergesagt wurden – es war nicht wahrscheinlich, dass sie sich zersetzten oder explodierten, und sie daher die plausibelsten Kandidaten für die Synthese in einem Labor waren –, wodurch die Bandbreite der bekannten Kristalle erweitert wurde stabile Materialien fast 10-fach. In einem Papier heute veröffentlicht in Naturschreiben die Autoren, dass sich in dieser erweiterten Datenbank der nächste Festkörperelektrolyt, das nächste Solarzellenmaterial oder der nächste Hochtemperatur-Supraleiter verstecken könnte.
Das Auffinden der Nadeln im Heuhaufen beginnt mit der eigentlichen Herstellung, was ein Grund mehr ist, schnell und die ganze Nacht hindurch zu arbeiten. In einer aktuellen Reihe von Experimenten am LBNL wurde auch heute veröffentlicht In Naturkonnte das autonome Labor von Ceder innerhalb von 17 Tagen 41 der theoretisierten Materialien erstellen und so sowohl das KI-Modell als auch die Robotertechniken des Labors validieren.
Bei der Entscheidung, ob ein Material tatsächlich hergestellt werden kann, ob von Menschenhand oder von Roboterarmen, ist eine der ersten Fragen, die man sich stellen muss, ob es stabil ist. Im Allgemeinen bedeutet dies, dass die Ansammlung von Atomen im niedrigstmöglichen Energiezustand angeordnet ist. Andernfalls möchte der Kristall etwas anderes werden. Seit Tausenden von Jahren haben Menschen die Liste stabiler Materialien kontinuierlich erweitert, zunächst durch die Beobachtung derjenigen, die in der Natur vorkommen, oder durch ihre Entdeckung durch grundlegende chemische Intuition oder Unfälle. In jüngerer Zeit wurden Kandidaten mit Computern entworfen.
Laut Persson liegt das Problem in der Voreingenommenheit: Im Laufe der Zeit hat das kollektive Wissen dazu geführt, dass bestimmte vertraute Strukturen und Elemente bevorzugt werden. Materialwissenschaftler nennen dies den „Edison-Effekt“ und beziehen sich auf seine schnelle Versuch-und-Irrtum-Suche zur Herstellung eines Glühbirnenfadens, bei der er Tausende von Kohlenstoffarten testete, bevor er zu einer aus Bambus gewonnenen Sorte gelangte. Es dauerte ein weiteres Jahrzehnt, bis eine ungarische Gruppe auf die Erfindung von Wolfram kam. „Er war durch sein Wissen begrenzt“, sagt Persson. „Er war voreingenommen, er war überzeugt.“