Wie KI eine Raketenlegierung für alle zugänglich macht

Stell dir folgendes vor:

Du stehst vor einem supermarktähnlichen Regal mit über 100 Millionen Fächern. In einem einzigen Fach steht genau das Produkt, das du brauchst — ein spezielles Metall für Raketentriebwerke. Das Problem: Du kannst nicht einfach nachgucken. Jedes Fach zu öffnen kostet dich 300 Euro, dauert drei Tage, und manche Fächer explodieren einfach, bevor du reinschauen kannst.

So in etwa lässt sich die Suche nach den richtigen Einstellungen für den 3D-Druck einer bestimmten Metalllegierung beschreiben. Zumindest war es so, bis Forscher der Washington State University eine clevere Abkürzung gefunden haben.

GRCop-42: Das Metall mit dem Hitzeproblem

Die Legierung heißt GRCop-42 — klingt wie der Name eines Actionfilm-Roboters, hat aber wenig mit Sci-Fi zu tun. Es handelt sich um eine Kupfer-Chrom-Niob-Legierung, die NASA-Ingenieure entwickelt haben, weil herkömmliche Metalle bei Raketentriebwerken einfach versagen.

GRCop-42 kommt in Brennkammern zum Einsatz, wo Treibstoff bei Temperaturen verbrennt, die weit über dem liegen, was normale Öfen aushalten. Das Besondere an der Legierung: Sie hält nicht nur enormen Hitzegrade aus, sondern leitet sie auch effizient ab. Ohne diesen Werkstoff würden Raketen sich selbst schmelzen.

Jetzt kommt das Aber: Diese Legierung mit handelsüblichen 3D-Druckern herzustellen, ist verdammt schwierig. Normalerweise braucht man Hochleistungslaser und Unmengen an Energie — Ausrüstung, die sich nur große Luft- und Raumfahrtkonzerne oder Forschungsinstitute leisten können.

Neunzig Prozent der kommerziellen 3D-Drucker auf dem Markt schaffen es nicht. Sie sind schlicht nicht stark genug.

Bis jetzt.

Warum Ausprobieren keine Option war

Bevor wir zur Lösung kommen, lohnt sich ein Blick auf das Problem selbst.

Beim 3D-Druck von Metall muss man haargenau die richtigen Parameter finden: Laserleistung, Scangeschwindigkeit, Temperatur, Pulverdicke — und das sind nur die wichtigsten. Stimmt nur eine einzige Einstellung nicht, passiert entweder gar nichts, oder das ganze Bauteil schmilzt in sich zusammen.

Der klassische Ansatz? Einfach alles durchprobieren.

Klingt simpel, hat aber einen Haken: Es gab über 100 Millionen mögliche Kombinationen. Jeder Versuch kostete Hunderte Dollar, nahm Zeit in Anspruch und erforderte sorgfältige Analyse. Wenn man eine Kombination pro Tag getestet hätte, wäre man nach 274.000 Jahren fertig gewesen.

„Manchmal druckten sie eine bestimmte Konfiguration, und das Produkt schmolz einfach weg", erzählt Azza Fadhel, Doktorandin am Projekt. „Es war einfach nicht druckbar, und selbst mit unbegrenzten Mitteln wäre es unmöglich gewesen, alle 100 Millionen Optionen durchzutesten."

Das ist, als würde man auf einem Strand einen bestimmten Sandkorn finden — indem man jedes einzelne mit der Pinzette aufhebt.

KI als clevere Suchmaschine

Hier wurde es clever. Anstatt ziellos im Dunkeln zu stochern, bauten die Forscher ein KI-System, das aus jedem Experiment lernte — auch aus den Misserfolgen.

Stell es dir so vor: Du versuchst, das perfekte Kuchenrezept zu finden. Statt jeden Schritt blind zu befolgen, schaut die KI zu und merkt sich, was passiert, wenn du eine Zutat veränderst. Langsam versteht sie, welche Kombinationen funktionieren und welche nicht.

Die Forscher begannen mit lediglich 37 gescheiterten Konfigurationen. Nicht gerade eine riesige Datenmenge, aber genug für die KI, um erste Vermutungen anzustellen.

Von dort aus schlug die KI kleine Gruppen neuer Einstellungen vor. Das Geniale daran: Sie balancierte zwei Strategien aus. Manchmal wählte sie Einstellungen, die basierend auf bisherigem Wissen am wahrscheinlichsten funktionieren würden. Aber zwischendurch wählte sie bewusst Einstellungen, bei denen sie sich unsicher war — denn genau diese „wilden Schüsse" konnten neue Erkenntnisse liefern und das gesamte Modell verbessern.

„Sie gaben mir die Ergebnisse zurück, und ich mochte sie alle — selbst wenn sie fehlschlugen — weil jedes Ergebnis unser KI-Modell verbesserte", sagt Fadhel.

Das ist eine wirklich schöne Einstellung zu Scheitern.

Das Ergebnis: Sechs Treffer

Nach nur 40 Experimenten über drei Monate fand die KI sechs erfolgreiche Konfigurationen bei verschiedenen Laserleistungsstufen. Besonders bemerkenswert: Erstmals konnte GRCop-42 mit nur 500 Watt Laserleistung gedruckt werden.

Sechs Erfolge aus 40 Versuchen — das klingt erstmal unspektakulär. Aber bedenke: Wir haben in 100 Millionen Möglichkeiten gesucht, wobei erfolgreiche Konfigurationen extrem selten sind. Es ist, als würde man sechs Stecknadeln in einem Heuhaufen von der Größe Bayerns finden — und das, ohne wirklich in den Heuhaufen zu fassen.

Das wirklich Spannende daran: Diese erfolgreichen Konfigurationen arbeiteten mit niedrigeren Leistungsstufen. Das bedeutet, sie sind mit genau den kommerziellen 3D-Druckern kompatibel, die vorher an der Legierung gescheitert waren. Die 90 Prozent, die es nicht konnten? Vielleicht können sie es jetzt.

Warum das über Raketen hinaus wichtig ist

Klar, ich bin ein Raumfahrt-Fan, von daher finde ich das Thema für sich schon aufregend. Aber die Forscher denken weiter.

Dieser KI-Ansatz könnte bei allen möglichen komplexen Problemen helfen, bei denen es Millionen von Möglichkeiten zu testen gibt — zum Beispiel in der Medikamentenentwicklung, wo Wissenschaftler nach den richtigen Molekülkombinationen für neue Therapien suchen.

Das Prinzip bleibt gleich: Statt jeden möglichen Weg brute-force durchzuprobieren, nutzt man KI, um intelligenter zu suchen. Es geht nicht darum, menschliche Kreativität zu ersetzen. Es geht darum, Forschern einen besseren Kompass zu geben, wenn sie sich in riesigen, unübersichtlichen Landschaften bewegen.

„Da 90 Prozent der kommerziellen Drucker diese Legierung nicht verarbeiten konnten und wir nun die richtigen Prozessparameter gefunden haben, demokratisieren wir im Grunde den Druck dieser Legierung", erklärt Jana Doppa, die das Projekt leitete.

Dieses Wort „demokratisieren" leistet hier viel Arbeit. Wenn nur gigantische Organisationen mit Ausrüstung für Millionen Euro etwas herstellen können, verlangsamt sich der Fortschritt. Wenn aber kleinere Labore, Universitäten und Startups auf dieselben Materialien zugreifen können? Dann arbeiten plötzlich viel mehr kluge Köpfe an denselben Problemen.

Mein Fazit

Was mich an dieser Geschichte begeistert: Sie zeigt KI von ihrer besten Seite — nicht als magischen Ersatz für menschliche Arbeit, sondern als mächtiges Werkzeug, das menschliche Anstrengung erst richtig wirksam macht.

Die Forscher haben nicht einfach „die KI machen lassen". Sie haben ihr Fachwissen mit der Fähigkeit der KI kombiniert, riesige Parameterräume effizient zu durchsuchen. Sie verstanden, dass selbst gescheiterte Experimente wertvoll waren. Sie wussten, welche Fragen sie stellen mussten.

So stelle ich mir die Zukunft von KI in der Wissenschaft vor: keine Roboter, die Labore übernehmen, sondern kluge Partnerschaften, bei denen Maschinen die kombinatorischen Alpträume bewältigen, während Menschen sich auf die kreative, interpretierende Arbeit konzentrieren, für die man tatsächlich ein Gehirn braucht.

Jetzt würde mich nur noch eines interessieren: Was ist das nächste 100-Millionen-Optionen-Problem, das darauf wartet, gelöst zu werden?

Quelle: ScienceDaily