Vorlesung 36: Wissenschaft — Wie KI wissenschaftliche Forschung unterstützt

Teil 1 (20 Minuten) — Übersicht, Analogien und Beispiele

In der modernen Forschung unterstützt Künstliche Intelligenz (KI) Wissenschaftlerinnen und Wissenschaftler auf drei grundsätzliche Weisen: (1) durch Automatisierung repetitiver oder aufwändiger Teilaufgaben, (2) durch Auswertung sehr großer Datenmengen und (3) durch Vorschläge für neue Kandidaten, die experimentell geprüft werden können. Eine eingängige Analogie ist die eines Mikroskops kombiniert mit einem Bibliothekar und einem Assistenten: das Mikroskop erweitert unsere Wahrnehmung (Messdaten), der Bibliothekar filtert und ordnet vorhandenes Wissen (Literatur- und Datenanalyse) und der Assistent schlägt vielversprechende nächste Schritte vor (z. B. welche Verbindung synthetisiert oder welches Material getestet werden sollte).

Konkrete, gut belegte Beispiele illustrieren diese drei Rollen:

Proteinstrukturvorhersage: DeepMind veröffentlichte 2021 Ergebnisse zu AlphaFold, einem KI-System, das für viele Proteine Strukturen mit hoher Genauigkeit vorhersagen kann. Diese Vorhersagen reduzieren den Bedarf an langwierigen experimentellen Methoden für eine erste Strukturhypothese und beschleunigen dadurch biomedizinische Forschungsschritte, etwa beim Verständnis von Funktionsmechanismen oder beim Design von Wirkstoffen (siehe Jumper et al., 2021).

Automatisierte Laborforschung: Es gibt Ansätze, bei denen Robotik, Messapparaturen und KI in geschlossenen Schleifen zusammenspielen: Die KI wählt Versuchsbedingungen aus, die Roboter setzen die Versuche um, Messergebnisse fließen zurück und die KI passt ihre Empfehlungen an. Solche sogenannten "self-driving laboratories" oder selbstfahrenden Labore haben gezeigt, dass sich die Suche nach optimalen Materialien oder Prozessbedingungen deutlich beschleunigen lässt (siehe MacLeod et al., 2020).

Computergestützte Syntheseplanung: In der Chemie unterstützen KI-Systeme retrosynthetische Planung, also die Frage, wie man ein gewünschtes Molekül aus verfügbaren Ausgangsstoffen herstellen kann. Modelle, die große Mengen veröffentlichter Synthesewege gelernt haben, können sinnvolle Vorschläge liefern und damit die Planungszeit für Chemiker:innen verringern (siehe Segler et al., 2018).

Text- und Literaturauswertung: Während Epidemien und bei schnellen Forschungsthemen hat das Zusammenführen großer Literaturdatenbanken und maschinelles Text-Mining Forschenden geholfen, relevante Resultate schneller zu identifizieren und Hypothesen zu formulieren. Ein Beispiel ist die Bereitstellung großer, zentraler Literaturdatensätze, die automatisierte Analysen erlauben (siehe CORD-19).

Diese Beispiele zeigen: KI ist kein Allheilmittel, aber in vielen Bereichen ein Beschleuniger — vor allem dort, wo große Datenmengen, wiederkehrende Muster oder klare Optimierungsziele vorliegen.

Teil 2 (20 Minuten) — Fachbegriffe, Methoden und wissenschaftliche Einordnung

In diesem Abschnitt führe ich zentrale Fachbegriffe ein und erkläre ihre Bedeutung für die wissenschaftliche Nutzung von KI. Ich beziehe mich dabei auf Literatur, die Praxisbeispiele und methodische Grundlagen beschreibt.

Surrogatmodelle und Vorhersagemodelle

Surrogatmodelle sind statistische oder ML-Modelle, die ein teures Experiment approximieren. Statt einen teuren Messaufbau immer wieder zu nutzen, kann ein Surrogatmodel zunächst grob vorhersagen, welche Parameter erfolgversprechend sind; die vielversprechendsten Kandidaten werden dann experimentell geprüft. Dieses Prinzip steht hinter vielen "self-driving lab"-Ansätzen (MacLeod et al., 2020) und auch hinter Material- oder Wirkstoffsuchen, wo Experimente kostspielig sind.

Inverse Gestaltung (inverse design)

Inverse Design meint die Suche nach Entwürfen (z. B. Moleküle, Materialien), die bestimmte gewünschte Eigenschaften erfüllen. Maschinelle Lernverfahren — insbesondere generative Modelle — können eine große Zahl potenzieller Kandidaten vorschlagen. Gómez-Bombarelli und Kolleg:innen beschrieben Ansätze, Moleküme in kontinuierliche Repräsentationen zu überführen und so neue Kandidaten zu erzeugen, die dann bewertet und synthetisiert werden können (Gómez-Bombarelli et al., 2018).

Aktives Lernen und geschlossene Optimierungsschleifen

Aktives Lernen bedeutet hier, dass das System gezielt die informativsten nächsten Experimente auswählt, um den Wissensgewinn zu maximieren. In der Praxis kombiniert man oft bayesianische Optimierung oder ähnliche Strategien mit Roboter-Experimenten: die KI schlägt Versuchsparameter vor, die besonders viel über das zugrundeliegende System verraten würden. Solche geschlossenen Schleifen sind zentral für beschleunigte Entdeckung (MacLeod et al., 2020).

Retrosynthese und symbolisch-statistische Hybride

Für die Planung chemischer Synthesen wird häufig eine Kombination aus datengetriebenen Modellen (z. B. neuronale Netze) und symbolischen Regeln (Chemie-spezifische Reaktionskataloge) verwendet. Segler et al. (2018) zeigten, wie neuronale Modelle zusammen mit symbolischer KI praktikable Synthesepläne generieren können.

Interpretierbarkeit, Kausalität und Grenzen des statistischen Lernens

Wichtig für die Wissenschaft ist nicht nur Vorhersagegenauigkeit, sondern auch das Verständnis, warum ein Modell eine Vorhersage macht. Interpretierbarkeit ist ein aktives Forschungsfeld; ohne sie bleibt oft unklar, ob ein Modell reale kausale Zusammenhänge gelernt hat oder nur Korrelationen. Bücher und Arbeiten zur Kausalitätslehre (z. B. Peters et al., 2017) betonen, dass aus rein beobachtenden Daten kausale Schlussfolgerungen nur unter Annahmen möglich sind. Das bedeutet für die Wissenschaft: Modelle können Hypothesen vorschlagen, aber kausale Tests müssen experimentell erfolgen.

Bias, Datenqualität und Reproduzierbarkeit

Maschinelle Lernmodelle sind nur so gut wie die Daten, auf denen sie trainiert wurden. Problematiken wie fehlende Repräsentativität, verzerrte Trainingsdaten und nicht dokumentierte Vorverarbeitung können zu Fehlleitungen führen. Kritische Beiträge wie "On the Dangers of Stochastic Parrots" (Bender et al., 2021) heben die Risiken großer, undifferenzierter Datensätze hervor. In der Forschung muss deshalb die Datenherkunft, -qualität und -verarbeitung offen dokumentiert und überprüfbar sein, um Reproduzierbarkeit sicherzustellen.

Was KI bisher gut leistet — und was nicht

Aus den aufgeführten Arbeiten ergibt sich ein wissenschaftlicher Konsens in der Fachliteratur: KI kann schnell und zuverlässig Muster in großen Datenmengen finden, Hypothesen erzeugen und Routinearbeiten automatisieren; sie kann aber derzeit komplexe, neuartige wissenschaftliche Theorien nicht in dem Sinne "beweisen" oder vollständig autonom generieren, ohne menschliche Planung, kritische Prüfung und experimentelle Validierung. Ansätze wie der "Robot Scientist" demonstrieren Automatisierung und Hypothesengenerierung, aber die endgültige Bestätigung bleibt experimentell und fachlich geprüft (King et al., 2009).

Ich weise ausdrücklich darauf hin, wo Unsicherheiten bestehen: Langfristig ist offen, in welchem Umfang KI wirklich neuartige, fundamentale Theorien finden kann. Das hängt sowohl von methodischen Fortschritten (z. B. besseres kausales Lernen, erklärbare Modelle) als auch von der Verfügbarkeit hochwertiger, gut dokumentierter Daten ab. Diese Frage ist Gegenstand aktiver Forschung, nicht abgeschlossener Konsens.

Teil 3 (10 Minuten) — Konkrete Anwendungen, Grenzen und Denkaufgaben

Konkrete Anwendungen (Kurzüberblick)

Proteinstrukturvorhersage: AlphaFold (Jumper et al., 2021) liefert für viele Proteine hochqualitative Strukturvorhersagen, was das Verständnis von Proteinfunktion und mögliche Wirkstoffansätze beschleunigt.

Material- und Prozessoptimierung: Selbstfahrende Labore verwenden KI-gesteuerte Schleifen, um Parameter für z. B. Dünnschichten oder Katalysatoren zu optimieren; dadurch lassen sich Versuchszahlen und Entwicklungszeiten reduzieren (MacLeod et al., 2020).

Computergestützte Syntheseplanung: KI-Systeme unterstützen Chemiker:innen bei der Planung praktikabler Syntheserouten und können so Entwicklungszyklen verkürzen (Segler et al., 2018).

Literatur- und Datenauswertung: Zentralisierte Datensammlungen und Text-Mining haben in schnelllebigen Forschungssituationen geholfen, relevante Evidenz rasch zu aggregieren (CORD-19).

Wesentliche Grenzen — präzise formuliert

- Kausalität: Modelle finden meist Korrelationen; kausale Schlussfolgerungen benötigen zusätzlich experimentelle Tests und/oder kausale Modellannahmen (Peters et al., 2017).
- Datenabhängigkeit: Verzerrte, lückenhafte oder falsch gekennzeichnete Daten führen zu fehlerhaften Ergebnissen; sorgfältige Datenprüfung ist nötig (Bender et al., 2021).
- Interpretierbarkeit: Viele leistungsfähige Modelle sind schwer zu interpretieren; ohne Interpretierbarkeit ist wissenschaftliche Einsicht begrenzter (Doshi-Velez & Kim, 2017 — siehe Literaturhinweis für den Stand der Diskussion).
- Reproduzierbarkeit: Fehlende Offenlegung von Trainingsdaten, Hyperparametern oder Pipelines erschwert die Reproduzierbarkeit von Ergebnissen.
- Experimentelle Validierung: KI-Vorschläge müssen oft aufwändig experimentell geprüft werden; der Engpass verschiebt sich manchmal vom "Ideenfinden" zum "bestätigen und verstehen".

Kleine Denkaufgaben für den Unterricht / zur Selbstprüfung

1) Sie erhalten ein Modell, das vorhersagt, dass eine bestimmte Substanz die Aktivität eines Enzyms erhöht. Beschreiben Sie einen minimalen Versuchsplan, um zu prüfen, ob es sich um einen kausalen Effekt oder eine Korrelation handelt. (Hinweis: Welche Kontrollen, Dosen und Replikate brauchen Sie?)

2) Nehmen Sie an, ein ML-Modell schlägt eine neue Katalysatorkombination vor. Welche Informationen über die Trainingsdaten würden Sie verlangen, bevor Sie Ressourcen in die Synthese investieren? (Denken Sie an Datenquellen, Messprotokolle, Grenzen des Parameterbereichs.)

3) Ein fertig trainiertes Modell erreicht auf dem Testdatensatz 95 % Vorhersagegenauigkeit. Formulieren Sie drei Hypothesen, warum diese Zahl in der Feldanwendung deutlich schlechter ausfallen könnte (z. B. Domain Shift). Wie würden Sie diese Hypothesen experimentell prüfen?

Diese Aufgaben sollen dazu anregen, die Methode nicht als black box zu akzeptieren, sondern kritische Prüfungen und Validierungspläne zu entwickeln — genau das unterscheidet gute wissenschaftliche Praxis beim Einsatz von KI.

Abschließende pragmatische Empfehlung

Für Wissenschaftlerinnen und Wissenschaftler gilt derzeit: Nutzen Sie KI als Beschleuniger und Explorationswerkzeug, aber integrieren Sie robuste Validierungs‑ und Dokumentationsschritte in Ihren Workflow. Offene Daten, klare Dokumentation von Verfahren und enge Zusammenarbeit zwischen Domänenexpert:innen und Datenwissenschaftler:innen erhöhen die Zuverlässigkeit und den wissenschaftlichen Mehrwert von KI-gestützter Forschung.