Herr Dobbelaere, wie und warum sind Sie dazu gekommen, KI für die Chemie einzusetzen?

Das reicht zurück in die Zeit, als ich während meines Masterstudiums einen Erasmus-Austausch an der Norwegischen Universität für Wissenschaft und Technologie (NTNU) gemacht habe. Und tatsächlich hatte ich vorher überhaupt nichts mit Computerprogrammen zu tun. Aber dort habe ich einen leichten Zugang gefunden und es machte Spaß, das mochte ich sehr. Danach kehrte ich zurück an die Universität Gent und musste ein Thema für meine Masterarbeit wählen. Bei einem der Themen ging es darum, KI zur Vorhersage chemischer und molekularer Eigenschaften zu nutzen. Und ich wusste einfach, dass ich das machen wollte. Es klang spannend, weil mir die computergestützten Aspekte der technischen Chemie gefallen, und ich bin nicht der Typ, der gerne im Labor steht. Ich hatte natürlich keine Ahnung, dass das Thema KI so groß werden würde, doch ich stand von Anfang an dahinter.

Was waren Ihre Erwartungen zu Beginn? Haben sie sich erfüllt?

Ich denke, es hat meine eigenen Erwartungen sogar übertroffen. Eigentlich dachte ich, sowas muss ein Informatiker machen, mit kompliziertem Code und so. Aber ich hatte schnell, schon bevor ich mit meiner Promotion begann, einige interessante Resultate damit. Ich konnte einfach dem Computer ein Molekül zeigen und bekam ein Ergebnis zurück, das sehr nah an der tatsächlichen Eigenschaft des Moleküls lag. Dass das so einfach zugänglich ist, war wirklich aufregend. Ich musste zwar programmieren, aber ich brauchte kein Informatikstudium, um Chemie mit einem Stück Code nachzubilden.

Wofür haben Sie diese Techniken anschließend eingesetzt?

Normalerweise ist Chemie etwa wie Kochen: Man wirft alles in einen Topf, wartet, bis es fertig ist, und holt es dann wieder heraus – das ist jedoch nicht sehr effizient. In der Flowchemie verwendet man dagegen kontinuierliche Reaktoren. Einfach gesagt: Man leitet durch ein Rohr permanent die Ausgangsprodukte in den Reaktor, dort reagieren sie und an einem anderen Rohr kommt ständig das Produkt heraus, ohne dass man die Reaktion jemals stoppen muss. Dieses Prinzip ist besonders in der petrochemischen Industrie wichtig. In der weiteren chemischen und pharmazeutischen Industrie spielen solche Durchflussreaktoren bisher kaum eine Rolle, denn in der Chemie dauert es lange, neue Technologien zu übernehmen. Wir hatten deswegen eine weitgefasste Fragestellung: Können wir Reaktionsbedingungen für jede organisch-chemische Reaktion in kontinuierlichen Durchflussreaktoren vorhersagen?

Wie hat KI dabei geholfen?

Eigentlich hat mir KI nicht geholfen. Es war eher das Gegenteil – sie brauchte meine Hilfe. Denn wenn ich sie verwenden würde, um eine Reaktion im Durchflussreaktor vorherzusagen, würde es nicht funktionieren, weil sie nichts über Flowchemie »weiß«. Es gibt einfach zu wenig Daten. Deswegen habe ich in meiner Doktorarbeit damit angefangen, die KI dazu zu bringen, molekulare Eigenschaften vorherzusagen. Für uns in der technischen Chemie war das ein natürlicher Ansatz, denn im Chemieingenieurwesen verwenden wir solche Eigenschaften für alles – molekulare, thermodynamische und so weiter. Wir geben allem eine Zahl. Und das ist etwas, was Maschinenlern-Modelle auch gut können.

Wie verändert KI die Chemie?

Aus meiner Sicht entwickelt sich das Feld heute in zwei Richtungen. Eine davon ist, dass man auf den Zug der großen Sprachmodelle aufspringt. Und dagegen bin ich definitiv nicht. Ich mag den Ansatz, weil er KI experimentellen Forschern zugänglich macht, die vielleicht nie die Gelegenheit hatten zu programmieren und auch nicht programmieren wollen, während sie im Labor stehen. Dabei besteht das Risiko, dass die Antworten der LLMs nutzlos für die reale Forschung sind. Es gibt aber durchaus Untersuchungen, die zeigen, dass Sprachmodelle beim allgemeinen Chemiewissen besser abschneiden als Menschen.

Die Geschichte der KI in der Chemie spielte sich allerdings nicht erst in den letzten zehn Jahren ab, sondern lange davor. Die andere Richtung sind deswegen viel ältere Methoden, die gar nicht wie unsere heutige Vorstellung von KI aussehen: aktives maschinelles Lernen, also bayessche Optimierung und aktives Lernen. Das sind moderne, adaptive Formen der statistischen Versuchsplanung. Eigentlich ist KI einfach etwas, was versucht, menschliche Fähigkeiten mit einem Computer nachzuahmen – und das kann alles sein. Deshalb sehe ich auch Expertensysteme und regelbasierte Modelle, die aus der ersten Welle des Machine Learnings vor 60 Jahren stammen, immer noch als KI, weil sie etwas Komplexes tun, das zuvor nur Menschen konnten.

In gewisser Weise ist moderne KI also eine Fortsetzung älterer Techniken?

Ja, die Idee und der Ansatz dahinter sind überhaupt nicht neu. Neu sind vor allem die mächtigen Deep-Learning-Algorithmen, die enorme Datenmengen verarbeiten können. Um mit Computern mögliche Bedingungen für eine bestimmte chemische Reaktion vorzuschlagen, könnten wir ganz klassische Werkzeuge wie Retrosynthese und Ähnlichkeitssuche verwenden. Die wurden ursprünglich in den 1960er Jahren in Deutschland entwickelt. In der organischen Chemie gab es große Namen wie Ivar Ugi und Johann Gasteiger, die in den 1960er bis 1990er Jahren großartige Methoden entwickelten. Heute dagegen haben wir zwar viel mächtigere Computer – aber wir können das nicht mehr. Irgendwie gerieten wir in einen KI-Winter, und all diese Methoden mussten im Deep-Learning-Zyklus der 2010er Jahre neu erfunden werden.

Solche Techniken haben Sie dann in Ihrer Forschung genutzt?

Ja, ich bin für meine Forschung schließlich in der KI-Geschichte so weit wie möglich zurückgegangen. Unser Problem war, dass wir nach den ersten Modellen versucht haben, komplexe Reaktionsnetzwerke zu erstellen. Aber so einfach ist das nicht, man kann nicht einfach 200 Jahre organische Chemie in ein einzelnes Schaubild packen. Das war für uns etwas enttäuschend, dass wir unseren Ansatz aus dem Chemieingenieurwesen nicht übertragen konnten.

»Dieser Mangel an Daten ist ein großes Problem«

Deswegen habe ich dann einen anderen Ansatz versucht, mit Verfahren, die in den 1960er Jahren auf Taschenrechnern funktioniert haben. Doch heute funktionieren die auf unseren Computern nicht mehr. Und das war unsere erste Frage: Warum geht das nicht mehr? Ich habe dann die alten mathematischen Techniken genutzt und die Chemie mit linearer Algebra in Matrizen übersetzt. Und darin habe ich dann Muster erkannt. Mit dieser alten Technik, die ursprünglich für etwas ganz anderes entwickelt wurde, konnte ich dann ein Schema erstellen, um jede mögliche Reaktion nach ihrem Reaktionsmechanismus zu klassifizieren. Danach habe ich diese Methode dann mit viel leistungsfähigeren Modellen getestet – mit mächtigen Deep-Learning-Modellen und danach mit sprachbasierten Modellen, die chemische Reaktionen klassifizieren.

Und was kann man dann damit machen?

Ich fragte mich: Sind die Leute wirklich an Reaktionsklassifikationen interessiert? Denn am Ende wollen sie Reaktionsparameter – wie man die Chemie tatsächlich durchführt. Und ich wollte ein Programm, das für alles funktioniert, besonders für unbekannte Reaktionen. Dann sah ich, dass man aus diesen Klassifikationen zusammen mit einigen Datensätzen sofort Reaktionsbedingungen generieren konnte. Die sind zwar immer nur Vorschläge und nicht immer korrekt, aber manchmal funktioniert es. Und mit all den heutigen Daten können wir viele Reaktionen klassifizieren.

Diese Daten kommen allerdings aus der konventionellen Chemie. Um mit einem Machine-Learning-Modell das Gleiche für die industrielle Durchflusschemie bekommen, brauchen wir Trainingsdaten. Nur wenn die Modelle mit vielen Beispielen trainiert werden, können sie etwas vorhersagen. Aber für Flowchemie gibt es so gut wie keine Daten. Dieser Mangel an Daten ist ein großes Problem, und es gibt Initiativen wie die Open Reaction Database, die versuchen, Daten zu sammeln. Aus meiner Sicht ist das eine sehr wichtige Initiative. Ich glaube jedoch auch, dass die meisten experimentellen Forscher bisher einfach nichts davon wissen.

Ist moderne KI einfach nur leistungsfähigere Statistik?

Das ist eine sehr harte Aussage, aber es steckt auf jeden Fall etwas Wahrheit darin. Vieles ist einfach Mathematik, auch wenn das nicht dem heutigen Bild von KI entspricht. Seit Ende 2022, als ChatGPT als eines der ersten großen Sprachmodelle veröffentlicht wurde, haben solche LLMs das Bild der KI insgesamt geprägt. Die Leute sagen: »Okay, KI – also sowas wie ChatGPT.« Man sollte allerdings KI-Entwicklung nicht darauf reduzieren, Texte zu schreiben, damit ein Sprachmodell die gewünschte Antwort ausgibt. Es gibt auch die »Expertentools der KI«, wie für Retrosynthese und Eigenschaftsvorhersage. Und bei denen können wir über mathematische Verfahren Wissenschaft direkt in den Code einzubringen.

Warum sollte man überhaupt ein statistisches Sprachmodell wie ChatGPT für Chemie verwenden?

Es gibt einige Forscherinnen und Forscher, die sagen, man könne Chemie als Sprache betrachten. Das geht zurück auf Forschung bei IBM, wo Fachleute untersuchten, wie man Chemie als Sprache mit Grammatik und Vokabular interpretieren kann. Es gibt ein Tool namens SMILES, das ein Molekül als Textzeile darstellt, um sie in Computern zu speichern – als Zeichenkette mit eigener Syntax. Die KI-Modelle behandeln SMILES dann wie eine ganz normale Sprache. Auch das stammt aus den 1980er Jahren. Wir greifen da also wieder in dieser Zeit lange vor der aktuellen KI zurück – und wahrscheinlich ist diese Einsicht der Kern dessen, was ich sagen will.

Seit einigen Monaten sehen wir außerdem immer mehr, dass Chatbots genutzt werden, um spezialisierte Software zum Beispiel für Quantenchemie zu bedienen. Das verringert den Aufwand deutlich und macht solche Werkzeuge viel einfacher zugänglich. Das ist eine Art »Demokratisierung« der Computerchemie.

»Wir verwenden frühere Entwicklungen wieder«

Sehen wir also keine Revolution durch generative KI, sondern eine Evolution des Maschinenlernens?

Wir verwenden frühere Entwicklungen wieder, so wie ich mich auf den Matrix-Ansatz aus den 1960er und 1970er Jahren stütze. Heute haben wir Sprachmodelle, die aber diese alten Werkzeuge nutzen, und ich glaube, das wird die Zukunft sein. Vielleicht bin ich zu skeptisch, doch ich denke, die Menschen werden auf die Halluzinationen der KI-Modelle keine Lust mehr haben. Es wird wohl auch Widerstand gegen den Energieverbrauch solcher großen, allgemeinen Modelle geben. Wir können jedoch kleinere Modelle verwenden – Modelle, deren Funktionieren Fachleute aus der Chemie validiert haben und von denen sie wissen, wann sie funktionieren und wann nicht. Und solche KI-Systeme könnten dann ein nützliches Werkzeug sein, eine Schnittstelle zwischen menschlichem Fachwissen und Automatisierung und Datenverarbeitung des Computers.

Das heißt, KI funktioniert eher als Werkzeug, das die menschliche Forschung erleichtert?

Ich arbeite derzeit mit Fachleuten von der ETH Lausanne (EPFL) in der Schweiz an einem Projekt, bei dem wir die »Human in the Loop«-Technik verwenden. Es läuft darauf hinaus, dass sich am normalen Arbeitsablauf des Chemikers in der experimentellen Forschung nicht viel ändert. Doch die KI gibt wertvolle Hilfestellung bei der Planung von Experimenten, der Chemiker steuert dafür Einsichten und Erfahrung bei, die im Modell nicht enthalten sind. Aber wir wollen zu viel menschliche Voreingenommenheit vermeiden. Und genau da kommt KI ins Spiel.

In der Arbeit mit der EPFL suchen wir einen geeigneten Katalysator für die CO₂-Hydrierung, was sehr zeitaufwändig ist. Die KI schlägt einen Katalysator vor, den der Experte dann herstellt. Dann wird der Katalysator in einen automatisierten Reaktor gegeben und getestet. Diese Ergebnisse werden zurück in den Algorithmus gespeist, der aus diesen Daten einen neuen, vielleicht besseren Katalysator generiert. Und so weiter. Der Mensch ist aber der entscheidende Teil der Schleife – der Chemiker hat das Fachwissen und die Erfahrung, um diesen Prozess zum gewünschten Ergebnis zu führen.

Ist es realistisch, dass eine KI ein vollautomatisches Labor steuert? Kann ein Machine-Learning-Modell die gesamte Forschung übernehmen?

Solche vollautomatischen Labore gibt es heute bereits. Aber will man das? Ich habe das Gefühl, dass man die KI heute zu sehr auf Aufgaben ansetzt, in denen Menschen gut sind. Wenn ich wählen könnte zwischen einer KI, die gut zeichnen kann und Kunst herstellt, oder einer KI, die gut bügeln, Wäsche waschen und Geschirr spülen kann, dann will ich die, die wäscht und bügelt. Man will den Künstlern nicht die Kunst wegnehmen. Und genauso ist es mit den Chemikern. Wir haben unsere Intuition, wir sind gut in dem, was wir tun, und das zeigen wir seit 200 Jahren. KI soll Chemiker nicht ersetzen, sondern etwas Wertvolles hinzufügen. Langfristig wird man KI in der Chemie nutzen müssen, weil sie bei Aufgaben wie Reaktionsplanung oder Literatursuche deutlich schneller ist.

Was müssen Studierende heute über LLMs und KI in der Chemie wissen?

Programme wie ChatGPT werden in Zukunft Teil der Chemie sein – ob man sie direkt benutzt oder in Form von »Agentic AI« als Schnittstelle für spezialisierte Software. Aber auch Expertensysteme auf Basis moderner Maschinenlern-Algorithmen werden immer wichtiger werden. Um mit all diesen Systemen zu arbeiten, braucht man allerdings einen soliden chemischen Hintergrund, und um KI-Werkzeuge zu entwickeln, ist auch Mathematik entscheidend. Dinge wie lineare Algebra, Analysis, diskrete Mathematik oder Statistik sind die Grundlage des maschinellen Lernens. Gerade für KI ist es deshalb sehr wertvoll, Chemie, Chemieingenieurwesen oder ein anderes Fachgebiet zu studieren. Damit wir diese Techniken effektiv nutzen können, brauchen wir Menschen mit dem nötigen Fachwissen, die wirklich verstehen, was die KI da ausgibt. Die KI wird das alles viel schneller und effizienter machen, aber eben angeleitet von menschlicher Einsicht.

»Die bahnbrechende KI-Anwendung der Zukunft wird möglicherweise nicht das sein, was man heute unter KI versteht«

Wo sehen Sie wirklich bahnbrechendes Potenzial für zukünftige KI?

Ich stelle mir eine solche KI als ein System vor, das Forschung unterstützt, indem es vorausblickt und zum Beispiel sagt: »Hey, diese Reaktion ist überhaupt nicht nachhaltig.« Denn ob ein Prozess nachhaltig ist, kann man während der Entwicklung heute nur schwer erkennen. KI könnte das ändern – und damit auch etwas für die europäische chemische Industrie tun. Wir müssen weltweit führende nachhaltige und grüne Chemie entwickeln, und ich denke, die KI-Modelle können uns dabei helfen.

Denn ich glaube, Nachhaltigkeit ist eine noch schwierigere Aufgabe, als einfach nur »grüne« Moleküle herzustellen. Da spielen sehr viele unterschiedliche Faktoren hinein. Woher bekommen wir biobasierte Ressourcen? Wird der Prozess damit tatsächlich nachhaltiger sein oder nicht? Der Vorteil von KI in der Chemie ist hier, dass sie viel mehr Parameter erfassen kann als nur die reine Chemie.

Maschinelles Lernen hat auch großes Potenzial in der chemischen Verfahrenstechnik. Das ist ein riesiger Datenraum mit vielen Dimensionen, in dem KI uns wirklich helfen kann, uns zurechtzufinden. Maschinenlern-Anwendungen können in die bestehenden Systeme integriert werden – dabei jedoch vielleicht grundlegend verändern, wie wir industrielle Prozesse steuern. Die bahnbrechende KI-Anwendung der Zukunft wird möglicherweise nicht das sein, was man heute unter KI versteht. Aber es wird eine Technik sein, die funktioniert. Darauf kommt es mir bei meiner Arbeit als Chemieingenieur an: Wir machen Dinge, die funktionieren.