Wenn der Datenschatz klein bleibt: Warum die Chemieindustrie eine eigene Art von KI braucht
Große KI-Modelle leben von riesigen Datenmengen – doch in der chemischen Verfahrenstechnik sind Messdaten oft knapp und uneinheitlich. Eine DFG-Forschungsgruppe an der RPTU Kaiserslautern-Landau geht nun in die zweite Förderphase, um genau dieses Problem zu lösen.
Wer an Künstliche Intelligenz denkt, denkt an Modelle, die mit Milliarden von Datenpunkten trainiert wurden. Sprachmodelle verdauen das halbe Internet, Bilderkennung lernt aus Millionen Fotos. In der chemischen Industrie sieht die Realität anders aus: Dort sind Daten oft rar, teuer und untereinander kaum vergleichbar. Genau an diesem Missverhältnis setzt eine Forschungsgruppe der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau (RPTU) an, deren Arbeit die Deutsche Forschungsgemeinschaft (DFG) nun in einer zweiten Förderphase weiter finanziert – das geht aus einer aktuellen Mitteilung des Informationsdienstes Wissenschaft hervor.
Warum in der Chemie die großen Datenmengen fehlen
Das Grundproblem ist strukturell. Ein Experiment in einem Chemiereaktor kostet Zeit, Material und Energie – und liefert am Ende vielleicht ein paar Dutzend Messpunkte. Anlagen im industriellen Maßstab werden zudem selten in Extrembereichen betrieben, nur um Daten zu sammeln: Sicherheit und Produktionsziele gehen vor. Hinzu kommt, dass Messdaten aus verschiedenen Anlagen, Laboren oder Jahrzehnten oft mit unterschiedlichen Methoden, Sensoren und Randbedingungen erhoben wurden. Was auf dem Papier nach einem Datensatz aussieht, ist in Wahrheit ein Flickenteppich.
Für klassische Machine-Learning-Verfahren ist das eine denkbar schlechte Ausgangslage. Sie neigen bei kleinen Datenmengen zum sogenannten Overfitting – sie lernen die wenigen Beispiele auswendig, statt die dahinterliegenden Zusammenhänge zu verstehen. In einem Umfeld, in dem Fehlprognosen im schlimmsten Fall sicherheitsrelevant sind, ist das nicht bloß ein Schönheitsfehler.
Physik als Lehrmeister für die Maschine
Die Verfahrenstechnik hat gegenüber vielen anderen KI-Anwendungsfeldern allerdings einen Trumpf: Über chemische und physikalische Prozesse ist enorm viel Vorwissen vorhanden. Erhaltungssätze, Thermodynamik, Reaktionskinetik – all das lässt sich mathematisch beschreiben. Der in der Forschung verfolgte Ansatz besteht deshalb häufig darin, dieses Wissen direkt in die Modelle einzubauen, statt es die Maschine mühsam aus Daten erraten zu lassen. Fachleute sprechen von hybriden oder physikinformierten Modellen: Die Physik liefert das Grundgerüst, die KI füllt die Lücken, für die es keine sauberen Gleichungen gibt.
Der Charme dieser Kombination: Modelle mit eingebautem Vorwissen kommen mit deutlich weniger Trainingsdaten aus und verhalten sich auch außerhalb des Bereichs, für den Messwerte vorliegen, plausibler. Laut der Mitteilung ist genau das die zentrale Fragestellung der Kaiserslauterer Gruppe – KI-Methoden auch dort nutzbar zu machen, wo nur kleine und wenig heterogene Datensätze zur Verfügung stehen.
Was auf dem Spiel steht
Dass die DFG eine zweite Förderphase bewilligt, ist mehr als eine Fußnote aus dem Wissenschaftsbetrieb. Die chemische Industrie gehört zu den energieintensivsten Branchen Deutschlands und steht unter erheblichem Transformationsdruck: Prozesse sollen effizienter, sicherer und klimafreundlicher werden. Digitale Modelle, die das Verhalten einer Anlage zuverlässig vorhersagen, könnten dabei helfen, Betriebspunkte zu optimieren, Ausschuss zu reduzieren oder riskante Fahrweisen früh zu erkennen – ohne teure und potenziell gefährliche Versuche an der realen Anlage.
Interessant ist der Ansatz auch über die Chemie hinaus. Das Problem knapper, uneinheitlicher Daten kennen viele Ingenieursdisziplinen, von der Werkstoffprüfung bis zur Energietechnik. Sollte es gelingen, verlässliche KI-Werkzeuge für die Welt der kleinen Datensätze zu entwickeln, dürfte der Nutzen weit über eine Branche hinausreichen.
Ein Gegenentwurf zum Größenwahn
Am Ende erzählt das Projekt auch etwas über den Stand der KI-Debatte. Während die öffentliche Aufmerksamkeit den immer größeren Modellen der Tech-Konzerne gilt, arbeitet ein Teil der Forschung an der entgegengesetzten Front: Intelligenz aus wenig Daten, verankert in Naturgesetzen, überprüfbar und robust. Für die Industrie könnte sich am Ende ausgerechnet dieser unspektakuläre Weg als der wertvollere erweisen.
Redaktionelle Einordnung auf Basis einer Pressemitteilung des Informationsdienstes Wissenschaft (idw) zur DFG-Forschungsgruppe an der RPTU Kaiserslautern-Landau. Angaben zum Projekt beruhen auf den dortigen Informationen.
- Wenn die Erde lautlos rutscht: Wie KI verborgene Bewegungen an der San-Andreas-Verwerfung sichtbar macht
- Chips zum Selberbauen: Warum offene Werkzeuge das Halbleiter-Design aus der Blackbox holen
- Wenn die Maschine das Kind sieht: Wie KI-Sensorik Unfälle auf dem Hof verhindern soll
- Zwei Quantencomputer bis 2030: Wie Deutschlands Milliardenwette konkret wird
- Daten im einzelnen Molekül: Warum die Spintronik um jedes Grad kämpft
- Gefunden werden, wenn niemand mehr klickt: Warum Marketer jetzt über GEO reden