KI-Einsatz in der Chemie: Studie zeigt Stärken und Schwächen
Rechenpower im Chemie-Labor: Kevin Jablonka (links) und sein Team am HIPOLE Jena. Foto: Renzo Paulus
Wie gut ist künstliche Intelligenz im Vergleich zu menschlichen Fachleuten? Ein Forschungsteam des HIPOLE Jena hat diese Frage im Bereich der Chemie untersucht: Mithilfe eines neu entwickelten Prüfverfahrens namens „ChemBench“ verglichen die Forschenden die Leistung moderner Sprachmodelle wie GPT-4 mit der von erfahrenen Chemikerinnen und Chemikern.
Die Studie ist jetzt im Fachjournal Nature Chemistry erschienen (DOI 10.1038/s41557-025-01815-x).
Insgesamt wurden über 2.700 chemische Aufgaben aus Forschung und Lehre getestet – von Grundlagenwissen bis hin zu komplexen Problemen. In Bereichen wie der Vorhersage von Reaktionen oder der Analyse großer Datensätze konnten KI-Modelle oft mit hoher Effizienz punkten. Gleichzeitig zeigte sich jedoch eine kritische Schwäche: Die Modelle lieferten auch dann selbstsichere Antworten, wenn sie faktisch falsch lagen. Menschliche Chemikerinnen und Chemiker zeigten sich hier deutlich vorsichtiger und hinterfragten ihre Einschätzungen.
„Unsere Studie macht deutlich, dass KI ein wertvolles Werkzeug sein kann – aber kein Ersatz für menschliche Expertise“, sagt Dr. Kevin M. Jablonka, Leiter der Studie. Die Ergebnisse geben wichtige Impulse für den verantwortungsvollen Einsatz von KI in der chemischen Forschung und Lehre.
Das HIPOLE Jena (Helmholtz-Institut für Polymere in Energieanwendungen Jena) ist ein Institut des HZB in Kooperation mit der Friedrich-Schiller-Universität Jena (FSU Jena).
- Ultraschnelle Entmagnetisierung - Dünneres Eisen, stärkere Wirkung
Je dünner eine Eisenschicht, desto leichter lässt sie sich durch einen Laserpuls entmagnetisieren. Forschende der Universität Duisburg-Essen haben gemeinsam mit dem Helmholtz-Zentrum Berlin und weiteren Partner:innen herausgefunden, warum das so ist: Entscheidend ist die magnetische Ordnung an den Grenzflächen des Materials. Die Erkenntnisse könnten langfristig dazu beitragen, neue Technologien für die magnetische Datenspeicherung zu entwickeln. Die Ergebnisse wurden in der Fachzeitschrift Advanced Science veröffentlicht.
- Blinder Fleck für die Anordnung der AtomeKünstliche Intelligenz wird zunehmend eingesetzt, um Eigenschaften neuer Materialien vorherzusagen. Ein Forschungsteam aus Jena und den USA zeigt nun in einer im Fachjournal „Nature Computational Science“ Studie: Kommen dabei Sprachmodelle zum Einsatz, erfassen diese zwar zuverlässig, welche Atomsorten ein Material enthält. Informationen über deren räumliche Anordnung nutzen sie jedoch nur unzureichend. Selbst größere Modelle und mehr Trainingsdaten beheben diese Schwäche nicht. Für stark strukturabhängige Materialeigenschaften sind deshalb auf räumliche Strukturen spezialisierte KI-Modelle die verlässlichere Wahl. (DOI: 10.1038/s43588-026-01045-2)
- Muster aus polaren Wirbeln in bleifreien Übergittern auf SiliziumEin Team am HZB hat erstmals polare Wirbel in (BaTiO3/SrTiO3)10-Übergittern auf Silizium nachgewiesen. Diese Ergebnisse erweitern das Spektrum an Materialien und Substraten, auf denen polare topologische Texturen auftreten können, und sie eröffnen neue Möglichkeiten für die Einbindung komplexer ferroelektrischer Zustände in siliziumbasierte Technologien.