Was römischer Beton über Predictive AI in der F&E zeigt

Vor etwa 2.000 Jahren standen römische Ingenieure vor einer strategischen Einschränkung bei der Standortwahl: Häfen brauchten einen natürlichen Schutz vor Wellen und Strömungen, doch geeignete Küstenabschnitte waren selten. Die naheliegende Lösung wäre gewesen, vorhandene natürliche Häfen auszubauen. Römische Baumeister verfolgten ein ambitionierteres Ziel: Durch die Kombination von Kalk, vulkanischer Asche und grobem Gesteinsschutt entwickelten sie einen hydraulischen Beton, der im Kontakt mit Meerwasser aushärtete und dabei zusätzlich an Festigkeit gewann. Dies ermöglichte es ihnen, Hafenanlagen dort zu bauen, wo sie strategisch benötigt wurden, statt nur dort, wo die Geografie ideale Voraussetzungen bot.

In der heutigen F&E zeigt sich ein ähnliches Muster: Wer auf perfekte, vollständige Daten wartet, verzögert Fortschritt, der schon mit den vorhandenen Daten möglich wäre. Viele Entwicklungsteams sind außergewöhnlich gut darin, Bestehendes anzupassen, wenn sich die Rahmenbedingungen ändern, etwa weil ein Rohstoff ausfällt, eine Regulierung sich verschärft oder ein Kunde andere Produkteigenschaften fordert. Doch diese Anpassungen gehen meist von der Grundannahme aus, dass die bestehende Formulierung der Ausgangspunkt für die neue sein muss.

KI-gestützte Vorhersagen (Predictive AI) verändern vor allem eines: die Geschwindigkeit, mit der sich ein Ziel erreichen lässt, unabhängig davon, ob es um eine Neuentwicklung oder die Optimierung einer bestehenden Formulierung geht. Und das ist gerade jetzt entscheidend. Früher genügten meist ein bis zwei Zielgrößen, um eine Formulierung zu bewerten. Heute müssen Kostendruck, Zeitdruck, Nachhaltigkeit und regulatorische Vorgaben gleichzeitig erfüllt werden, eine Kombination, die sich mit Erfahrung und Intuition allein kaum noch abdecken lässt.

Ein Beispiel, das die Grundannahme herausfordert

Ein Beispiel aus der Praxis verdeutlicht diese Komplexität: Bei einer lösemittelbasierten Fahrzeugbeschichtung mussten Viskosität, Glanz und Deckvermögen gleichzeitig innerhalb der Spezifikation liegen. Verbesserungen bei einer Eigenschaft gingen jedoch häufig zulasten einer anderen. 21 klassische DoE-Versuche des Kunden führten zu keinem zufriedenstellenden Ergebnis.

Die 21 Versuche waren damit nicht verloren: Sie lieferten die Grundlage für ein KI-gestütztes Vorhersagemodell. Mithilfe Bayesscher Optimierung ließen sich aus den existierenden Versuchen geeignete Rezepturen ableiten, ohne zusätzliche Laborversuche zur Eingrenzung der Kandidaten. Ein einziger, auf dieser Empfehlung basierender Versuch erfüllte anschließend alle sechs Zielparameter.

Predictive AI zeigt, was als Nächstes getestet wird

Ein Vorhersagemodell kann in der F&E genutzt werden, um aus einer Reihe von Eingabewerten ein Ergebnis abzuschätzen, etwa Viskosität, Aushärtezeit oder mechanische Festigkeit. KI-gestützte Experimentplanung geht einen Schritt weiter und hilft bei einer weitreichenderen Frage: Welches Experiment sollte als Nächstes durchgeführt werden?

Ein Beispiel aus der Praxis ist die Weiterentwicklung einer komplexen Wandfarbe: Auf Basis von 192 bestehenden Rezepturen des Kunden entstand ein digitaler Zwilling des Produkts. Je nach Rezeptur enthielt die Rezeptur 18 bis 25 Inhaltsstoffe; daraus ergaben sich rund 10⁵⁸ theoretisch mögliche Kombinationen: eine Größenordnung, die kein Team manuell überblicken kann.  

Der Optimierungsalgorithmus schlug wöchentlich neue Rezepturkandidaten vor, deren Herstellung und Prüfung den größten Erkenntnisgewinn versprach. Die gemessenen Ergebnisse flossen jeweils in die nächste Runde ein. Mit nur 100 durchgeführten Versuchen konnte das Modell am Ende alle Zielparameter, darunter niedriger Glanz, hoher Kontrast, hohe Viskosität und Nassabriebbeständigkeit, präzise vorhersagen.

Manchmal ist das nützlichste Experiment ein unsicheres

Das führt zu einem der interessantesten Aspekte der Bayesschen Optimierung: der Balance zwischen Exploration und Exploitation. Exploration konzentriert sich auf Bereiche mit höherer Unsicherheit, deren Ergebnis weniger sicher ist, die aber einen Zusammenhang aufdecken können, der bisher übersehen wurde. Exploitation bedeutet, Bereiche zu untersuchen, in denen bereits gute Ergebnisse erwartet werden. Die höchste vorhergesagte Leistung ist deshalb nicht automatisch das beste nächste Experiment. Manchmal ist das wertvollste Experiment jenes, das eine Wechselwirkung zwischen Rohstoffen aufdeckt, die weder Erfahrung noch bisherige Daten erwarten ließen.

Nicht jedes Projekt braucht neue Versuche

Dass nicht jedes Projekt neue Versuche braucht, zeigt sich bei einer lösemittelbasierten Tintenanwendung, bei der Viskosität und elektrische Leitfähigkeit gleichzeitig innerhalb der Spezifikation liegen mussten. Hier lagen bereits rund 2.000 historische Experimente vor. Auf dieser Grundlage ließ sich ein Vorhersagemodell aufbauen: Die vorhergesagten Werte wichen im Median nur um 8 Prozent von den tatsächlich gemessenen Laborwerten ab, und das, ohne neue Laborversuche durchführen zu müssen. Aus einer Materialliste mit 141 Materialkandidaten ließen sich so je nach Rezeptur 8 bis 12 Rohstoffe digital vorprüfen, ohne dass zuvor eine Probe im Labor angesetzt werden musste.

Die Beispiele zeigen unterschiedliche Ausgangspunkte für denselben Grundgedanken: Manchmal reicht die vorhandene Datenbasis für belastbare Vorhersagen bereits aus. In anderen Fällen liefert erst ein gezielt geplanter, überschaubarer Satz neuer Versuche die Grundlage.

Die Rohstoffe liegen möglicherweise bereits im Labor

Diese Beispiele zeigen, dass Innovation nicht immer bei null beginnen muss. Ein Durchbruch erfordert nicht zwangsläufig einen völlig neuen Rohstoff oder eine Entdeckung aus dem Nichts. Für viele F&E-Teams enthalten Jahre an Experimenten bereits einen Teil des benötigten Wissens: Formulierungen, Messwerte, gescheiterte Versuche, Prozessparameter und Beobachtungen bilden zusammen ein experimentelles Gedächtnis. Ein großer Teil davon lässt sich jedoch nur schwer systematisch nutzen, wenn Daten in Tabellen, Laborjournalen, Geräteexporten und Fachsystemen verteilt sind, Materialien abteilungsübergreifend unterschiedliche Bezeichnungen tragen und Messwerte in wechselnden Einheiten vorliegen.

Bevor ein Modell aussagekräftige Empfehlungen liefern kann, muss dieses Wissen vergleichbar und interpretierbar werden. Die Strukturierung von Formulierungsdaten braucht Klarheit darüber, welche Materialien denselben Rohstoff meinen, welche Messwerte vergleichbar sind und welche Prozessbedingungen ein Ergebnis beeinflusst haben.

F&E-Expertise bleibt zentral

Ein größerer durchsuchbarer Formulierungsraum bedeutet nicht, Entwicklungsentscheidungen an einen Algorithmus zu übergeben. F&E-Teams legen fest, welche Eigenschaften wichtig sind, welche Variablen sich ändern können und welche Randbedingungen unveränderlich sind. Sie erkennen physikalisch unplausible Empfehlungen und verstehen Scale-up-Effekte, Messanomalien und Prozessdetails. Eine Formulierung mit exzellenter vorhergesagter Leistung kann von einem nicht verfügbaren Rohstoff abhängen oder sich nicht wirtschaftlich herstellen lassen; solche Randbedingungen gehören von Anfang an in die Entwicklungsfrage. Predictive AI hilft dabei, eine deutlich größere Zahl möglicher Kombinationen innerhalb dieser Grenzen zu bewerten, während die Entwickler Kontext und Kausalität einbringen und die Verantwortung für die Ergebnisse tragen.

Wo LabV ansetzt

Damit Predictive AI belastbare Vorhersagen und gezielte Experimentempfehlungen liefern kann, braucht es eine strukturierte Datenbasis, auf der Modelle sinnvoll lernen können. Genau hier setzt LabV an: Die Plattform verbindet Formulierungs-, Prozess- und Messdaten in einer gemeinsamen Struktur und macht sie so für KI-gestützte Formulierungsentwicklung nutzbar.

Ein typisches Projekt folgt dabei einem klaren Ablauf. Im Data Assessment wird bewertet, ob die vorhandenen Formulierungs- und Versuchsdaten eine geeignete Grundlage für das Modell bilden; das Ergebnis ist eine Go- oder No-Go-Empfehlung mit einem konkreten Projektfahrplan. In der Foundation-Phase wird ein bestehendes Industriemodell angepasst oder ein kundenspezifisches Modell aufgebaut, inklusive Optimierungszielen, Designraum und Randbedingungen. Anschließend wird ein initiales Modell an den historischen Daten trainiert und validiert. Reicht die Genauigkeit noch nicht aus, wird es mit zusätzlichen Daten und gezielt ausgewählten oder neu abgeleiteten Eingabegrößen verfeinert. Erst wenn das Modell die erforderliche Qualität erreicht, wird es für die Optimierung eingesetzt: Für jede Laboriteration werden die vielversprechendsten Formulierungen empfohlen, bis die definierten Ziele erreicht sind.

Wie sich das im Ergebnis zeigt, beschreibt eine leitende Chemieingenieurin bei einem weltweit tätigen Hersteller von Automobillacken so: Das Modell habe in ihrem Projekt Ergebnisse geliefert, die ihr eigener DoE-Ansatz nicht erreicht habe.

Eine andere Sichtweise auf F&E-Produktivität

Wer nur fragt, wie KI bestehende Entwicklungsprozesse beschleunigen kann, unterschätzt ihr Potenzial. Eingesparte Experimente sind wichtig, ebenso wie verkürzte Entwicklungszyklen und eine verbesserte Vorhersagegenauigkeit. Die strategisch interessantere Möglichkeit liegt jedoch darin, Fragen zu stellen, die bisher zu aufwendig oder zu komplex waren, um sie systematisch zu untersuchen: Könnte eine Rohstoffsubstitution zu einer grundlegend anderen Formulierungsarchitektur führen? Könnten frühere Versuchsdaten brauchbare Bereiche des Formulierungsraums aufzeigen, die bisher kaum untersucht wurden?

Solche Fragen lassen sich nur beantworten, wenn ausreichend Formulierungsdaten zur Verfügung stehen, und genau hier zeigt sich ein Materialverständnis, das schon die römischen Ingenieure beim Hafenbau auszeichnete: Sie verwandelten Meerwasser, eigentlich ein Schwächefaktor für gewöhnlichen Beton, in eine Quelle zusätzlicher Festigkeit. Ähnlich verhält es sich mit vorhandenen Formulierungsdaten: Historische, unvollständige oder unstrukturierte Datensätze sind auf den ersten Blick eine Einschränkung. Richtig aufbereitet, werden sie zur Grundlage für Predictive AI.