Ingenieure wissen seit langem, welche Eigenschaften sie von Materialien benötigen, wie beispielsweise magnetische Eigenschaften, Leitfähigkeit und Wärmebeständigkeit. Doch diese Anforderungen in konkrete, herstellbare Materialien umzusetzen, war bislang nur schwer zu bewerkstelligen. Hier erklärt Gustavo Regueira Llansó, Leiter für Strategie und Betrieb bei Altrove AI, einem der Aussteller in der Innovation Zone der CWIEME Berlin, warum die Materialwissenschaft seit Jahrzehnten mit demselben Problem zu kämpfen hat. 

Wir wissen, wie „gut“ aussieht. Ingenieure wissen, welche Eigenschaften sie benötigen, sei es Magnetismus, Leitfähigkeit oder Wärmebeständigkeit. Doch die Umsetzung dieser Anforderungen in reale, herstellbare Materialien war oft langwierig und kostspielig. Das ändert sich nun jedoch, da KI unsere Sichtweise auf Materialien grundlegend verändert.

Dieser Wandel könnte zu keinem kritischeren Zeitpunkt kommen. In der gesamten Elektrotechnik ist die Nachfrage nach wichtigen Rohstoffen sprunghaft angestiegen. Kupfer, Seltene Erden, Graphit und Speziallegierungen verzeichnen einen deutlichen Anstieg der Nachfrage. Die Elektrifizierung des Verkehrs, der Ausbau erneuerbarer Energien und die Digitalisierung der Industrie treiben einen beispiellosen Verbrauch voran. Gleichzeitig sind die Lieferketten anfälliger und konzentrierter geworden, was Hersteller Risiken aussetzt, die früher leicht zu übersehen waren.

Vor nicht allzu langer Zeit konnten Materialien noch als reines Beschaffungsproblem betrachtet werden. Heute stehen sie im Mittelpunkt der Unternehmensstrategie.

Hersteller werden sich zunehmend bewusst, dass ihre Produktionsfähigkeit von Faktoren abhängt, die weit außerhalb ihrer Kontrolle liegen. Die Suche nach neuen Lieferanten oder die Diversifizierung der Beschaffungsregionen sind nach wie vor notwendig, reichen aber nicht mehr aus. In vielen Fällen ist das Material selbst zum Problem geworden.

Hier spielt KI eine entscheidende Rolle. In der Vergangenheit stützten sich die Branchen bei der Bewältigung von Materialherausforderungen auf zwei Haupthebel: die Gewinnung weiterer Ressourcen oder das Recycling bereits vorhandener Materialien. KI eröffnet nun einen dritten Weg – möglicherweise den transformativsten –, indem sie völlig neue, auf spezifische Bedürfnisse zugeschnittene Materialien schafft. Anstatt zu fragen: „Wo können wir dieses Material beschaffen?“, können Hersteller nun fragen: „Können wir ein besseres entwerfen?“

KI ermöglicht dies, indem sie die Bandbreite der Möglichkeiten drastisch erweitert. Wo Wissenschaftler früher mit einer relativ kleinen Menge bekannter Materialstrukturen arbeiteten, können Modelle des maschinellen Lernens nun Millionen potenzieller Konfigurationen untersuchen. Noch wichtiger ist, dass sie vorhersagen können, wie sich diese Materialien verhalten werden, noch bevor sie überhaupt synthetisiert wurden. Eigenschaften, deren Simulation früher Monate dauerte, lassen sich nun in einem Bruchteil der Zeit abschätzen.

Die Eigenschaften eines Materials zu kennen, ist nur ein Teil der Herausforderung. Ähnlich wie bei der Bestimmung der Zutaten eines Rezepts liegt die eigentliche Schwierigkeit darin, den genauen Prozess zu definieren, der erforderlich ist, um es in großem Maßstab herzustellen. In der Materialwissenschaft ist dieses „Rezept“ der Synthesevorgang: die genauen Schritte, die erforderlich sind, um ein theoretisches Material in etwas zu verwandeln, das in großem Maßstab hergestellt werden kann.

Durch die Kombination von Vorhersagemodellen mit experimentellem Feedback ist es nun möglich, Produktionsprozesse weitaus effizienter zu generieren und zu verfeinern. Anstatt sich auf langsame, manuelle Iterationen zu verlassen, können Unternehmen KI nutzen, um mehrere „Rezepte“ vorzuschlagen, diese schnell zu testen und aus den Ergebnissen zu lernen. Selbst fehlgeschlagene Versuche werden zu wertvollen Daten, die in das System zurückfließen und zukünftige Ergebnisse verbessern.

KI verändert auch die Art und Weise, wie Innovation selbst stattfindet. In der Vergangenheit wurden neue Materialien oft isoliert in Forschungslabors oder akademischen Einrichtungen entwickelt und erst später an industrielle Anwendungsfälle angepasst. Dieses „Push“-Modell führte häufig zu einer Diskrepanz zwischen dem, was geschaffen wurde, und dem, was der Markt tatsächlich benötigte.

Heute können Hersteller ihre Anforderungen im Voraus definieren. Sie können die genau benötigten Eigenschaften festlegen, unabhängig davon, ob diese durch Leistungsziele, Kostenbeschränkungen oder Überlegungen zur Lieferkette bestimmt werden. KI-Systeme können dann rückwärts arbeiten und Materialien identifizieren und entwerfen, die diese Kriterien erfüllen.

Dieses „Pull“-Modell stellt eine bedeutende Veränderung in der Art und Weise dar, wie Materialien entwickelt werden. Das Konzept selbst ist zwar nicht neu, doch KI macht es weitaus praktischer, indem sie es Herstellern ermöglicht, präzise Anforderungen zu definieren und schnell realisierbare Materiallösungen zu finden, die diesen entsprechen.

Es stellt zudem eine der hartnäckigsten Annahmen der Branche infrage: dass Kompromisse unvermeidlich sind.

Seit Jahren ist die Materialauswahl ein Balanceakt zwischen Kosten, Leistung und Nachhaltigkeit. Die Verbesserung eines dieser Aspekte bedeutete oft, bei einem anderen Abstriche machen zu müssen. Doch durch die Erforschung eines weitaus größeren Entwurfsraums und die gleichzeitige Optimierung mehrerer Variablen beginnt die KI, diese Annahme zu widerlegen. Es wird zunehmend möglich, Materialien zu entwickeln, die leistungsstark, kostengünstig und nachhaltiger sind.

Dieser Wandel hat direkte Auswirkungen auf die Lieferketten. Die Volatilität auf den Rohstoffmärkten stellt für Hersteller ein großes Problem dar. Preisschwankungen, geopolitische Spannungen und Lieferengpässe können unmittelbare betriebliche Folgen haben. Durch die Ermöglichung der Entwicklung alternativer Materialien bringt der Einsatz von KI in der Materialwissenschaft Flexibilität in ein System, das lange Zeit starr war.

Wenn Unternehmen über mehr Optionen verfügen, sind sie weniger von einzelnen Lieferanten abhängig. Anstatt Abhängigkeiten lediglich zu verwalten, haben Hersteller nun die Möglichkeit, diese ganz zu überwinden. Durch die Entwicklung alternativer, auf ihre Bedürfnisse zugeschnittener Materialien können sie ihre Abhängigkeit von knappen Ressourcen verringern und ihre Beschaffungsstrategien grundlegend ändern.

Unternehmen, die frühzeitig auf KI-gestützte Materialinnovationen setzen, haben die Chance, ein Problem in einen Wettbewerbsvorteil zu verwandeln. Die Entwicklung oder Einführung neuartiger Materialien kann nicht nur unmittelbare Versorgungsprobleme lösen, sondern auch dazu beitragen, Produkte auf dem Markt von der Konkurrenz abzuheben. In manchen Fällen kann dies sogar ganze Leistungskategorien neu definieren.

Je mehr Unternehmen beginnen, dieses Gebiet zu erkunden, desto schneller werden neue Erkenntnisse gewonnen, was einen positiven Innovationskreislauf in der gesamten Branche in Gang setzt. Da zudem neue Geschäftsmodelle entstehen, können Unternehmen KI-gestützte Materialinnovationen mit minimalen Vorabinvestitionen erproben und gleichzeitig von einem erheblichen Aufwärtspotenzial profitieren.

Aus diesem Grund rückt die Diskussion um Rohstoffe bei Veranstaltungen wie der CWIEME Berlin zunehmend in den Mittelpunkt. Was einst ein technisches Nischenthema war, hat heute für die Elektrotechnik insgesamt höchste Priorität. Die Zukunft der Branche wird ebenso sehr von den Materialien geprägt sein wie von der Konstruktion oder den Fertigungsprozessen.

Bei Altrove erleben wir diesen Wandel hautnah mit. Die Verbindung von KI und Materialwissenschaft verändert bereits jetzt die Art und Weise, wie Unternehmen einige ihrer größten Herausforderungen angehen. Und genau wie bei diesem perfekten Kuchen geht es darum, endlich das richtige Rezept zu finden und es zuverlässig und in großem Maßstab umzusetzen.