KI-Vorher­sage im Chemie­labor

Künstliche Intelligenz eröffnet auch in der Chemie ungeahnte Möglichkeiten. Im WSS-Forschungs­zentrum catalaix wollen Forschende mithilfe von maschi­nellem Lernen neue Kunst­stoff­moleküle entwickeln, komplexe Plastik­gemische kosten­günstig und nach­haltig recyceln – und rascher vom Labor in die indust­rielle Produktion kommen.

Die Arbeit im Chemie­labor gleicht zuweilen der sprich­wörtlichen Suche nach der Nadel im Heu­haufen: Neue Moleküle, Reaktions­wege oder verfahrens­technische Anlagen zu entwickeln und zu testen, ist enorm aufwändig und zeitraubend. Seit einigen Jahren gilt die Künstliche Intelligenz als Hoffnungs­trägerin, um solche Prozesse zu verfeinern und zu beschleunigen. Maschinelle Lern­modelle, die mit Daten trainiert werden und daraus lernen, können beispiels­weise molekulare Eigen­schaften vorher­sagen und dadurch beim Design von neuen Molekülen helfen.

Am WSS-Forschungs­zentrum catalaix in Aachen arbeiten Forschende aus der Chemie, der Verfahrens­technik und der Informatik eng zusammen, um das Potenzial von KI-Ansätzen in die Praxis umzusetzen. «Die Idee ist es, sogenannte hybride Modelle zu erstellen», sagt Alexander Mitsos, Professor für System­verfahrens­technik an der RWTH Aachen und Mitglied des Kern­teams von catalaix. «Man kombiniert maschinelles Lernen mit physikalisch-chemischem Verständnis, um optimale Entscheidungen zu treffen.»

Das bedeutet: Man setzt den maschinellen Lern­modellen gewisser­massen Schranken, um Resultate auszu­schliessen, die gegen Natur­gesetze verstossen. Die Modelle beachten auf diese Weise zum Beispiel auto­matisch physika­lische Molekül-Symmetrien, halten struktu­relle Charakte­ristika von Poly­meren ein oder erfüllen thermo­dynamische Grund­gesetze. «Mit diesem Ansatz benötigt man weniger Daten, damit das Modell eine bestimmte Genauig­keit erreicht – oder man erreicht mit derselben Anzahl Daten bessere Vorher­sagen», sagt Alexander Mitsos.

Für Computer lesbar machen

Um maschinelle Lern­modelle zu bauen, müssen die Forschen­den zuerst die Strukturen von chemischen Mole­külen in Formen über­setzen, die für Computer lesbar sind. Eine sehr gute Möglich­keit sei die Darstel­lung mit sogenannten Graphen, erzählt Karim Ben Hicham, Doktorand in der Forschungs­gruppe von Alexander Mitsos. Es handelt sich um Netzwerke, in denen Moleküle durch sogenannte Knoten und Kanten abge­bildet werden. Jeder Knoten steht für ein Atom, die Kanten für die Bindungen.

«Sogenannte künstliche neuronale Netz­werke speichern für jeden Knoten und jede Kante Infor­mationen in Zahlen­form ab», sagt Karim Ben Hicham. Eine Zahl steht also beispiels­weise für ein Sauer­stoff­atom, eine andere für eine Doppel­bindung und so weiter. In den folgenden Schritten der Vorher­sage lernt das künstliche neuronale Netz, wie diese Infor­mationen Schritt für Schritt durch das Molekül­netzwerk fliessen müssen, um schliess­lich eine möglichst genaue Vorher­sage der Stoff­eigenschaften zu treffen.

«Um solche fort­ge­schrittenen Methoden aus der KI zu entwickeln und einzusetzen, ist eine inter­diszip­linäre Zusammen­arbeit extrem wichtig», sagt Alexander Mitsos. Im Forschungs­zentrum catalaix seien solche Koopera­tionen möglich, zum Beispiel mit der Arbeits­gruppe von Professor Martin Grohe, der an der Infor­matik-Fakultät der RWTH Aachen den Lehr­stuhl für Logik und Theorie diskreter Systeme innehat.

Komplexe Moleküle, komplexe Prozesse

Noch stossen solche KI-gesteuerten Vorhersage­modelle an ihre Grenzen. «Erfolg­reich eingesetzt werden sie heute meist bei relativ kleinen Molekülen mit wohl­definierten molek­ularen Formeln», sagt Alexander Mitsos. «Unser Ziel ist es, sie auch auf komp­lexe Mole­küle wie Kunst­stoff-Poly­mere und für das sogenannte Prozess­design anzuwenden.» Bei letzterem soll die KI-Vorher­sage nicht nur darauf achten, dass ein Molekül die gewünschten Eigen­schaften aufweist, sondern dass es auch in einem grösseren Mass­stab effizient, sicher, günstig oder schnell produziert werden kann.

In einem laufen­den cata­laix-Projekt versuchen die Forschen­den zum Beispiel, mittels maschi­nellem Lernen sogenannte Flüssig-Flüssig-Gleich­ge­wichte zwischen Kunst­stoff-Poly­meren und Lösungs­mitteln besser vorher­zusagen. Solche Gleich­gewichts­zustände sind beispiels­weise in der Verfahrens­technik wichtig, um Polymere aus Lösungen abzutrennen. «Thermodynamisch konsistente Modelle für solch komplexe Mischungen zu entwickeln, ist deutlich anspruchsvoller als solche für kleiner, wohl definierte Mole­küle», sagt Karim Ben Hicham.

Kunststoffgemische effizient auftrennen

Ein zweites aktuelles Projekt dreht sich um die Auf­reinigung von Poly­mer­mischungen. «Ein typisches Bei­spiel, das wir unter­suchen, mehr­schichtige Kunst­stoff­produkte, zum Bei­spiel eine Chips­tüte», sagt Karim Ben Hicham. Solche Mischungen müssen typischer­weise zuerst aufge­trennt werden, bevor sie chemisch recycelt werden können. «Wir nutzen maschi­nelle Lern­modelle, um heraus­zufinden, welche Lösungs­mittel man in welcher Reihen­folge anwenden muss, um die Polymer­mischungen kosten­günstig in sorten­reine Polymere aufzu­trennen.»

Es handle sich um ein äusserst komplexes Projekt, sagt Karim Ben Hicham. «Besonders schwierig ist es, sehr selektive Lösungs­mittel zu finden.» Denn die Polymere in dem Gemisch ähneln sich teilweise stark. Trotz­dem muss ein Lösungs­mittel einen Polymer-Typ zielgenau extra­hieren – und alle anderen in der Mischung lassen. Beim nächsten Schritt braucht es ein neues Lösungs­mittel, das wiederum aus den verbleiben­den Stoffen einen extrahiert – und so weiter.

Alternative zu Bisphenol A

Ein drittes KI-gestütztes Projekt, an dem die catalaix-Forschenden arbeiten, ist das Molekül-Design. «Besonders interessiert sind wir daran, eine Alter­native zu Bisphenol A zu entwickeln», erzählt Karim Ben Hicham. Bisphenol A, kurz BPA, steckt in Plastik­flaschen, Spiel­zeugen, Park­tickets, in der Innen­beschichtung von Konserven­dosen und in vielen anderen Alltags­produkten. Weil BPA den menschlichen Hormon­haushalt durch­einander­bringen kann, ist seine Ver­wendung in Europa seit Kurzem reglementiert. Eine nach­haltige Alter­native zu finden, stellt eine aktuelle Heraus­forderung in der chemischen Forschung dar.

Die Anforderungen an ein Alternativ­molekül sind aller­dings sehr hoch. Es sollte BPA-Eigen­schaften wie mechanische Stabilität, Transpa­renz und eine gute Verarbeit­bar­keit mit­bringen – ohne dessen gesundheits­schädigende Wirkungen. Und es sollte sich günstig produzieren und breit einsetzen lassen. «Wir entwickeln, zusam­men mit den experi­men­tellen Chemike­rinnen und Chemikern, Vorher­sagemodelle für Mole­küle, die solche Kriterien erfüllen», erzählt Karim Ben Hicham.

Beschränkte Datenbasis

Eine Heraus­forderung für den Einsatz von maschi­nellen Lern­modellen in der Chemie ist die Ver­füg­barkeit von Daten. «ChatGPT oder andere KI-Assistenten bauen auf einer riesigen Daten­basis auf», sagt Alexander Mitsos. «Wir hin­gegen müssen versuchen, mit relativ wenigen Daten möglichst gute Vorher­sagen zu treffen.» Weil Experimente teuer, aufwändig und tech­nisch schwierig sind, existieren nämlich für viele chemische Stoffe nur wenige, unvoll­ständige oder schlecht vergleich­bare Messdaten.

Zudem befinden sich viele Daten im Besitz von Konzernen, die nicht ihren Wissens­vorsprung verlieren wollen, indem sie öffent­lich zugängliche KI-Modelle füttern. «Auch wir haben das Interesse, die chemische Industrie in Europa zu halten und zu stärken», sagt Alexander Mitsos. Deshalb sei eine Zusammen­arbeit wichtig, von der beide Seiten profitieren. In seinen Augen die beste Methode sei es, dass die Forschung die Methoden mit öffent­lich verfüg­baren Daten entwickle und dann in die Industrie trans­feriere.

Der grosse Vorteil des Forschungs­zentrums catalaix sei dabei dessen Breite. «Wir haben ein grosses Team und alle wissen, dass wir nur gemeinsam viel erreichen können», sagt Mitsos. Im WSS-Forschungs­zentrum steuern deshalb diverse Chemie-Gruppen Daten zu Mole­külen und Reaktionen bei. Und andere Teams bringen ihre Expertise punkto Skalierung, Verfahrens­technik, Markt­prognosen oder Daten­modellierung und KI ein. Immer mit dem Ziel, die chemische Industrie möglichst rasch in Richtung nach­haltige Kreis­lauf­wirt­schaft zu führen.