Trendbericht Technische Chemie 2026

Künstliche Intelligenz ist in der technischen Chemie angekommen – als Werkzeug, das etwa Modellierung und Experimentierpraxis beschleunigt. Maschinelles Lernen, physikalisch informierte neuronale Netze und autonome Labore schließen die Lücke zwischen Elektronenstruktur und Reaktorsimulation. Autonome Prozesse und Workflows ändern die Aufgaben von Ingenieuren und Chemikern.

Kaum ein Tag vergeht ohne Neuigkeiten zu künstlicher Intelligenz (KI), seien es neue Sprachmodelle (Large Language Models, LLMs), Fortschritte beim autonomen Fahren oder die zunehmende Integration von KI in Arbeitsabläufe der Industrie. Diese Techniken beeinflussen heute viele Gebiete der Wissenschaft und Gesellschaft. KI und maschinelles Lernen (ML) verändern auch die technische Chemie und die chemische Verfahrenstechnik. Das eröffnet Möglichkeiten für die Reaktionstechnik und Katalyse, wodurch sich komplexe technische Herausforderungen im Industriemaßstab angehen lassen. Die Fachgemeinschaft hat begonnen, Roadmaps und kritische Bewertungen zu entwerfen, um die Rolle und Potenziale dieser Technologien einzuordnen. KI kann Wege schaffen, um verbesserte Katalysatoren und Materialien zu entwickeln, neue Einblicke in Reaktionsmechanismen zu liefern und hochdimensionale Datensätze zu analysieren, um Prozesse zu optimieren.^1,2) Gleichzeitig wird diskutiert, wie sich die Aufgaben von Chemieingenieuren und technischen Chemikern durch die zunehmend autonomen Systeme verändern werden.^3,4) Deutlich zeigt sich der Wandel in der Automatisierung von Laboren sowie bei der Multiskalenmodellierung heterogen katalysierter Reaktionen. Der Trendbericht des Jahres 2022 zeigte noch eine erhebliche Lücke zwischen atomistischen Modellen und Reaktormodellen⁵⁾ – Fortschritte in ML und KI verringerten diese Barriere drastisch. Dadurch rückt das Ziel der Reaktionstechnik immer näher, katalytische Prozesse von den Elektronen bis zum Reaktor zu beschreiben.

Multiskalenmodellierung

First Principles bedeutet, dass sich alle Parameter der Mikrokinetik auf quantenmechanische Rechnungen zurückführen lassen. Mit Multiskalenmodellierung, die auf First Principles basiert, lassen sich Katalysatoren entdecken und entwerfen sowie Reaktoren für den Industrieeinsatz maßschneidern und intensivieren.⁶⁾ Grundlage für diese Modellierung ist ein detailliertes mikrokinetisches Modell der Reaktionen auf der Katalysatoroberfläche. Dieses umfasst alle Elementarreaktionen und Zwischenprodukte des Reaktionsmechanismus sowie deren energetische Parameter. Den Reaktionsmechanismus zu erstellen und die energetischen Parameter zu ermitteln dauerte bislang oft mehrere Jahre. Durch ML und KI lassen sich jedoch nun komplexere Katalysatoroberflächen modellieren, die den tatsächlichen Arbeitszustand des Katalysators besser widerspiegeln, größere chemische Reaktionsnetze entwickeln und all dies um mehrere Größenordnungen schneller – aus Jahren werden Wochen und Tage. Dieser Trendbericht betrachtet einige solcher Entwicklungen der letzten Jahre.

ML-basierte Potenziale und Modellierung

Ein wesentlicher Treiber für die Fortschritte in der Multiskalenmodellierung ist die Entwicklung interatomischer Potenziale auf Basis von ML (machine learning interatomic potentials, MLIPs).⁷⁾ Traditionell waren Dichtefunktionaltheorie(DFT)-Rechnungen nötig, um Reaktionsmechanismen zu klären und mikrokinetische Modelle zu parametrisieren. DFT für katalytische Oberflächen erfordert erhebliche Ressourcen auf Hochleistungs-Rechenclustern, Spezialsoftware und Fachwissen. Der Rechenaufwand beschränkt die Simulationen auf etwa 100 Atome. Durch große Datensätze mit Millionen von DFT-Berechnungen ermöglichte das Open Catalyst Project (OCP) im Jahr 2020, MLIPs für Katalyseanwendungen zu entwickeln.⁸⁾ Die ersten OCP-Modelle beschränkten sich auf Übergangsmetalle, und die verglichen mit DFT-Rechnungen großen Unsicherheiten verhinderten die direkte Anwendung für Material-Screening oder die Klärung von Reaktionsmechanismen. Stattdessen wurden die ML-Modelle mit zusätzlichen DFT-Berechnungen angepasst. Neuere Arbeiten erweiterten diese MLIPs nun auf andere Systeme wie Metalloxide und Lösungsmitteleffekte mit höherer Genauigkeit.^9,10)

Aktuell verschiebt sich der Fokus auf die Entwicklung von Basismodellen (Foundational Models), die sich auf alle Materialien anwenden lassen, darunter Übergangsmetalle, Metalloxide, Zeolithe und molekulare Systeme in vielfältigen chemischen Umgebungen (Abbildung 1).

Repräsentative Beispiele für solche Basismodelle sind MACE-MP-0¹¹⁾ und Universal Models for Atoms (UMA).¹²⁾ Diese Basismodelle sind mittlerweile fast so genau wie DFT-Rechnungen, aber um drei oder mehr Größenordnungen schneller. Somit können sie DFT-Rechnungen in Routine-Workflows zunehmend ersetzen, und große Systeme lassen sich simulieren. Bei Problemen, bei denen Basismodelle allein zu ungenau sind, dienen wenige DFT-Rechnungen zur Feinabstimmung, was die Ergebnisse 10³- bis 10⁶-fach genauer macht.¹³⁾ Dennoch spart dies Rechenaufwand verglichen mit herkömmlichen Ansätzen, und solche Verfeinerungen lassen sich oft durch kontinuierliche Aktualisierung während der laufenden Simulation durchführen.¹⁴⁾

Wie neue Arbeiten über Adsorptionsenergien hinaus gezeigt haben, haben MLIPs auch zuverlässig Aktivierungsenergien für Übergangszustände bestimmt, wodurch es günstig wird, Reaktionskinetiken für Elementarreaktionen auf komplexen Oberflächen zu berechnen.^15,16) Durch diese Methoden kann die ganze Energieoberfläche eines Adsorbates oder eines Übergangszustandes auf einem Katalysator abgetastet werden, um die Entropie des Adsorbates oder die Geschwindigkeitskonstanten der Elementarreaktionen für mikrokinetische Modelle mit höherer Genauigkeit zu bestimmen.^17–20)

Weiterhin helfen durch neuronale Netze errechnete Potenziale Bedeckungsgradeffekte zu berücksichtigen, welche unter realistischen Bedingungen auftreten.^21,22) Die Fortschritte bei MLIPs werden dazu führen, dass sie bald DFT-Rechnungen in vielen Anwendungen ersetzen können, um datengesteuerte Arbeitsabläufe beim Katalysatordesign oder bei der Entwicklung von neuen Materialien für CO₂-Direct-Air-Capture zu beschleunigen.²³⁾ Die Basismodelle senken die Hürde für atomistische Modellierung und machen diese Methoden mehr Menschen zugänglich, inklusive Forschenden ohne umfangreiche Vorkenntnisse in der Elektronenstrukturtheorie und ohne Zugang zu spezialisierter Software sowie Hochleistungscomputern.

MLIPs sind nur so genau wie die Qualität der Trainingsdaten, welche derzeit auf DFT beschränkt sind. DFT weicht meist signifikant von gemessenen Bildungsenthalpien ab. Strategien zur Fehlerkompensation könnten diese Einschränkungen überwinden und die aus DFT-Rechnungen oder MLIPs abgeleiteten Bildungsenthalpien genauer machen. Die gezielte Wahl von Referenzen kompensiert weitgehend systematische Fehler der DFT-Rechnungen in den Bildungsenthalpien von Adsorbaten. So berechneten verschiedene DFT-Funktionale beispielsweise die Bildungsenthalpien von C_xH_yO_z-Adsorbaten auf Pt(111) und MgO(100) mit einer Genauigkeit von etwa ± 5 kJ · mol^–1 verglichen mit Einkristall-Adsorptionskalorimetrie-Messungen.²⁴⁾

Noch fehlen standardisierte Definitionen und Konventionen für die thermophysikalischen Eigenschaften von Adsorbaten. Unterschiede bei Referenzzuständen und Methodiken behindern derzeit den Vergleich von Daten und die nahtlose Integration von Ergebnissen in Multiskalenmodelle.²⁵⁾ Standards müssen festgelegt werden, um das Potenzial von MLIPs in der Reaktionstechnik auszuschöpfen.

Strukturabhängige Modellierung mit MLIPs

Die computergestützte Forschung konzentriert sich in der heterogenen Katalyse vor allem auf die Untersuchung von Einkristalloberflächen wie Pt(111) oder Ni(211). Technische Katalysatoren bestehen jedoch meist aus Nanopartikeln auf Metalloxidträgern, wobei die Nanopartikel verschiedene Kristallfacetten mit vielen aktiven Zentren der Reaktionsumgebung aussetzen. Daher erfassen die Einkristallmodelle nicht unbedingt das aktive Zentrum, was zu Abweichungen zwischen Experimenten und Simulationen sowie zu fehlerhaften Interpretationen des Mechanismus führen kann. Mit Wulff-Konstruktionen lassen sich die Nanopartikel genauer modellieren, bei denen Minimierung der DFT-berechneten freien Gibbs-Energie die stabilste Struktur bestimmt. Diese Ansätze sind idealisiert und vernachlässigen den Einfluss des Trägers auf die Partikelform. Hier bieten MLIPs neue Möglichkeiten.

Wie Maxson und Szilvasi zeigten, lässt sich atomistische Modellierung mit MLIPs kombinieren, um die optimale Struktur eines Silbernanopartikels mit 309 Atomen auf einem Graphen/Ni(111)-Träger zu bestimmen (Abbildung 2).²⁶⁾ Die idealen Modelle können den experimentellen Trend nicht genau erfassen; die MLIP-basierte Optimierung der Katalysatorstruktur reproduzierte dagegen die gemessenen chemischen Potenziale als Funktion der Silberpartikelgröße. Die resultierenden Strukturen der Nanopartikel sind unregelmäßiger, mit weniger klar ausgeprägten Facetten, was die Reaktionsmechanismen maßgeblich beeinflussen kann.

Die Dynamik von Katalysatoren unter Reaktionsbedingungen stellt eine zusätzliche Herausforderung für die Modellierung dar. Poths und Mitarbeiter untersuchten mit dem MACE-Basismodell die Kinetik der Umstrukturierung kleiner Pd-Cluster auf einem MgO(100)-Träger.²⁷⁾ Demnach sind die Zeitskalen für die Umstrukturierung aktiver Zentren teils schneller als die Zeitskalen des geschwindigkeitsbestimmenden Schritts. Dies verdeutlicht, dass Katalysatoren unter Reaktionsbedingungen hochdynamisch sind. Ergänzend zu atomistischen Simulationen wurden mit ML realistische dreidimensionale Katalysatorstrukturen aus Experimentaldaten extrahiert. Fuchs und Mitarbeiter entwickelten einen stereologischen Ansatz, um 3-D-Nanopartikelgeometrien aus zweidimensionalen Transmissionselektronenmikroskopie(TEM)-Projektionen zu rekonstruieren.²⁸⁾ Sie lieferten damit experimentelle Partikelmodelle, die sich mit den Modellen abgleichen lassen oder direkt in atomistische Simulationen einfließen können.

Wie wichtig es ist, die Katalysatorstruktur zu berücksichtigen, spiegelt sich auch in mikrokinetischen Modellen wider. Kreitz et al. entwickelten ein strukturabhängiges Modell für die temperaturprogrammierte Desorption (TPD) von CO₂ von Ni-Nanopartikeln.²⁹⁾ Dieses Modell bildete das experimentell gemessene TPD-Profil eines Ni/SiO₂-Katalysators nach (Abbildung 3), wenn Wechselwirkungen zwischen den Adsorbaten auf der Katalysatoroberfläche und die Diffusion der adsorbierten Spezies zwischen den verschiedenen Kristallfacetten berücksichtigt wurden. Darüber hinaus zeigte das Modell, dass sich der Beitrag der verschiedenen Ni-Facetten zum Desorptionsprofil ändert, wenn die Oberflächendiffusion berücksichtigt wird. Ähnliche Ergebnisse beobachteten Bello et al.^30,31) Die Autoren erstellten ein mikrokinetisches Modell für die Ethan-Dehydrierung und Hydrogenolyse an einem Pt-Nanopartikel und wiesen signifikante Partikelgrößen-Effekte nach.

Wie diese Arbeiten verdeutlichen, müssen Struktur und Dynamik berücksichtigt werden, um Katalysesysteme realistisch zu beschreiben. MLIPs verknüpfen hier atomistische Modelle mit realistischen Katalysatorstrukturen.

Multiskalenmodelle schneller lösen

ML beschleunigt zunehmend die Lösung mikrokinetischer Modelle, indem Ersatzmodelle erstellt werden. Diese Surrogate Models ersetzen das Lösen des oft steifen Systems der gewöhnlichen Differentialgleichungen der Mikrokinetik durch ein neuronales Netz. Große Systeme gekoppelter Differentialgleichungen mit nichtlinearen Reaktionskinetiken dominieren typischerweise den Rechenaufwand bei Simulationen reaktiver Strömungen wie der Computational Fluid Dynamics (CFD). Statt sie direkt zu lösen, beschleunigen ML-gestützte Ansätze das Lösen der Quellterme (Produktion oder Vernichtung der Spezies durch die chemische Reaktion) um etwa das Hundertfache. Ein aktuelles Beispiel liefern Biermann und Mitarbeiter, die einen Methan-Dampfreformierungsreaktor simulieren. Dazu integrierten sie ein Global Reaction Neural Network (GRNN) in ein Multiskalen-CFD-Modell in OpenFOAM (Open-source-Software für CFD-Simulationen).³²⁾ Das GRNN wurde mit synthetischen kinetischen Daten trainiert, die aus 10 000 Reaktorsimulationen mit einer Mikrokinetik gewonnen wurden. Das GRNN reduzierte den Rechenaufwand, behielt aber gleichzeitig die genaue Vorhersage der kinetischen Quellterme bei, was eine partikelaufgelöste CFD-Simulation eines Festbettreaktors in industrieller Größe ermöglichte (Abbildung 4). Die Simulation des Reaktors im Industriemaßstab benötigte auf 32 Kernen nur 22 Stunden – diese Simulationen könnten also routinemäßig Erkenntnisse über technische Reaktoren oder Reaktorauslegung gewinnen.

Eine Alternative zu neuronalen Netzen, um detaillierte chemische Kinetiken mit Reaktorsimulationen zu koppeln, ist ein mehrstufiger On-the-fly-Sparse-Grid-Interpolationsansatz von Hülser et al.³³⁾ Dieser Ansatz reduziert die nötige Zahl an Rechnungen des detaillierten chemisch-kinetischen Modells bei komplexen Mechanismen um mehrere Größenordnungen, beispielsweise um den Faktor 100 bei der Oxidation leichter Kohlenwasserstoffe an Pt-Katalysatoren. Diese Entwicklungen zeigen: Komplexe Multiskalenmodelle mit detaillierten Reaktionskinetiken lassen sich lösen. Damit verschiebt sich der Fokus von der reinen Rechenzeit hin zur Qualität der Modelle und eröffnet neue Möglichkeiten, systematisch technische Reaktoren und Katalysatoren unter realistischen Bedingungen im Industriemaßstab zu untersuchen.

Reaktionskinetik durch Experimente bestimmen

Trotz Fortschritten bei Multiskalenmodellierungsansätzen bleibt deren Vorhersagekraft zurzeit begrenzt, und zwar aufgrund von Unsicherheiten bei den zugrunde liegenden DFT- oder MLIP-Rechnungen und der Komplexität realer Katalysesysteme. Daher ist es weiterhin nötig, kinetische Modelle aus Experimentaldaten abzuleiten. Traditionell wird die Reaktionskinetik häufig anhand von Langmuir-Hinshelwood-Hougen-Watson(LHHW)-Ansätzen beschrieben. In der Praxis werden oft mehrere Hypothesen zum Mechanismus formuliert und entsprechende Geschwindigkeitsausdrücke abgeleitet unter der Annahme geschwindigkeitsbestimmender Schritte sowie der am häufigsten vorkommenden Oberflächenspezies. Diese Geschwindigkeitsausdrücke werden iterativ an die Experimentaldaten angepasst, bis die Übereinstimmung zufriedenstellend ist.^34,35) Der Ansatz stützt sich auf Expertenwissen und kostet Arbeit und Zeit. Die resultierenden Modelle sind oft nicht eindeutig, da mehrere Parametersätze oder mechanistische Annahmen dieselben Experimentaldaten reproduzieren können.

Um dieses Problem anzugehen, werden zunehmend ML-Methoden eingesetzt, die physikalische Grundlagen direkt in die Modellstruktur integrieren. Stagge und Güttel entwickelten heterogen katalysierte reaktionsneuronale Netze (hCRNNs),³⁶⁾ die physikalische Prinzipien wie die Arrhenius-Temperaturabhängigkeit, Reversibilität und bedeckungsabhängige Aktivierungsbarrieren direkt in die Architektur des neuronalen Netzes integrieren. Diese Architektur gewährleistet ein physikalisch sinnvolles Verhalten, und so lassen sich aussagekräftige mikrokinetische Modellparameter aus Experimentaldaten identifizieren – im Gegensatz zu rein datengesteuerten Black-Box-Modellen.

In einer anderen Studie führten Döppel und Mitarbeiter ein Exponential Scaling Formation Consumption Neural Network (+/–-ExpNet) ein, das die Reaktionskinetik aus integralen oder differenziellen Reaktordaten lernt.³⁷⁾ Der Aufbau des +/–-ExpNet erfordert nicht, dass das System Mechanismen versteht, er enthält jedoch Einschränkungen, um etwa die Erhaltung der Stöchiometrie sowie thermodynamische Konsistenz zu gewährleisten. Die Autoren testeten den +/–-ExpNet-Ansatz und trainierten ihn an Experimentaldaten zur Dimethylethersynthese (DME) über einen Dual-site-Katalysator (CuO/ZnO/Al₂O₃ und ɣ-Al₂O₃). Wie Abbildung 5 zeigt, erfasst das Modell die Trainingsdaten, und aufgrund der physikalisch basierten Struktur des Modells stimmen Experiment und Theorie stark überein, wenn auf unbekannte Betriebsbedingungen extrapoliert wird. Solche Ansätze zeigen das Potenzial, klassische kinetische Modelle in Reaktorsimulationen zu ergänzen oder sogar zu ersetzen.

Über die automatische Mechanismusgenerierung hinaus entstehen auch KI-gesteuerte Ansätze, um Multiskalensimulationen mit Experimenten zu verbinden. Kouyate und Kollegen stellten ein modellgesteuertes adaptives Design-Framework vor, das transiente Konzentrationsprofile nutzt, um mikrokinetische Modellparameter effizient zu bestimmen. Darin dient aktives Lernen dazu, die aussagekräftigsten Experimentalbedingungen zu priorisieren (Abbildung 6).³⁸⁾ Solche Ansätze sind wichtig, um den Kreislauf zwischen Computermodellen und Validierung durch Experimente automatisiert zu schließen. Wegen KI-Agenten werden Workflows in der computergestützten Katalyse nun völlig anders entworfen und ausgeführt – weg von manuellen, expertengesteuerten Prozessen hin zu autonomen, adaptiven und hochskalierbaren Forschungspipelines.

Über die Modellierung der Reaktionskinetik hinaus wird maschinelles Lernen auch für weitere Aspekte der Reaktorbeschreibung eingesetzt. So dienen beispielsweise neuronale Netze dazu, Verweilzeitverteilungen (RTDs) in komplexen Reaktorsystemen zu modellieren.³⁹⁾ Bei diesem Ansatz werden mit transienten Experimentaldaten RTD-Profile abgeleitet, womit sich das Strömungsverhalten in Laborreaktoren effizient charakterisieren lässt. Dies bietet eine flexible und datengesteuerte Alternative zu herkömmlichen RTD-Modellierungsansätzen, die sich oft auf vereinfachende Annahmen und idealisierte Reaktormodelle stützen. Wie Arbeiten von Kärkäs et al. auf Prozessebene zeigen, ermöglichen ML-Modelle ganzer Fließschemata eine effiziente multikriterielle Optimierung, die beispielsweise Nachhaltigkeitsziele berücksichtigt.⁴⁰⁾ Datengetriebene Ansätze beschränken sich nicht nur auf einzelne Reaktoren, sondern lassen sich auf die ganzheitliche Auslegung chemischer Prozesse skalieren.

Autonome Labore

Neue Katalysatoren zu entwickeln ist traditionell zeit- und ressourcenintensiv und dauert oft Jahre. Die Fortschritte in Robotik, KI und automatisierten Hochdurchsatz-Experimenten haben zur Entwicklung autonomer Labore (self-driving laboratories) geführt, die diesen Prozess beschleunigen und die Reaktionen intensivieren sollen.^4,41) Für solche Systeme wird ein geschlossener Regelkreis (closed loop) angestrebt. In diesem koordiniert ein KI-Agent die Planung von Experimenten, die automatisierte Synthese, experimentelle Prüfung und die Datenauswertung. Der KI-Agent trainiert die zugrunde liegenden ML-Methoden auf Basis der Messdaten iterativ neu, um neue und verbesserte Materialien für die Synthese vorherzusagen. Typischerweise erfolgt dies bei multikriterieller Optimierung, etwa hinsichtlich Ausbeute, Produktivität und Kosten. Mit Methoden wie Bayes’scher Optimierung (BO) oder aktivem Lernen lassen sich hochdimensionale Designräume mit wenigen Versuchen erkunden. Im Idealfall arbeiten solche Systeme weitgehend autonom, und der Mensch überwacht.

Mehrere Forschungsgruppen haben kürzlich selbststeuernde Labore entwickelt und demonstriert, dass diese Katalysatoren entdecken können. Ramirez und Mitarbeiter nutzten BO zusammen mit automatisierter Katalysatorsynthese und Hochdurchsatz-Tests, um den optimalen Katalysator für die Synthese von Methanol aus CO₂ zu identifizieren, wobei sieben Metalle oder Promotoren und vier Träger genutzt wurden.⁴²⁾ In sechs Wochen und ohne Vorwissen entwarf und testete das System 144 Katalysatoren und identifizierte einen optimierten CuZnCe/ZrO₂-Katalysator, der die Methanolausbeute maximiert und gleichzeitig die Kosten sowie unerwünschte Nebenprodukte minimiert (Abbildung 7).

Selbststeuernde Laborsysteme wurden auch in der homogenen Katalyse eingesetzt: So demonstrierten beispielsweise Bennett et al. eine vollständig autonome Plattform namens Fast-Cat. Damit optimierten sie Bedingungen für phosphorhaltige Liganden von Rh-basierten Katalysatoren bei der Hydroformylierung von 1-Octen.^43,44) In diesem System optimierte BO mehrere Prozessvariablen gleichzeitig. Das System bestimmte die Pareto-Fronten für sechs verschiedene Liganden in weniger als einer Woche, wobei nur 2 mmol der Liganden nötig waren.

Eine vollständige Automatisierung ist allerdings nicht immer möglich, da bei einigen Schritten nach wie vor Menschen eingreifen müssen, beispielsweise bei der Synthese der Katalysatoren oder der Befüllung der Reaktoren. Selbst in unvollständig automatisierten Systemen beschleunigen und verbessern ML-Methoden die Erforschung des Designraums: Beispielsweise verbessert die autonome Optimierung von FeCoCuZr-Katalysatoren für die Synthese höherer Alkohole die Leistungs- und Nachhaltigkeitskennzahlen. In diesem Fall steigerte der optimierte Katalysator verglichen mit Referenzwerten die Ausbeute um das Fünffache, während sich Umweltbelastung und Kosten um etwa 90 Prozent reduzierten.⁴⁵⁾

Insgesamt sind autonome Labore ein vielversprechendes Konzept für die beschleunigte Katalysatorentwicklung. Da geschlossene Experimentierkreisläufe und datengetriebene Entscheidungsfindung kombiniert werden, erforschen Wissenschaftler damit komplexe chemische Systeme effizienter, systematischer und nachhaltiger als mit klassischen Experimenten. Trotz dieser Beispiele bestehen Herausforderungen, darunter die Robustheit automatisierter Arbeitsabläufe, die Zuverlässigkeit KI-gesteuerter Entscheidungsfindung, Sicherheitsaspekte und die Integration komplexer Syntheseprotokolle. Damit selbststeuernde Labore eingeführt und vergleichbar werden können, werden standardisierte Datenformate, Ontologien und Benchmarks nötig. Zu den Bemühungen in dieser Richtung gehören die Initiative Ontologies4Cat⁴⁶⁾ sowie eine ontologiebasierte Datenpipeline zur semantischen Reaktionsklassifizierung⁴⁷⁾, die Borgelt und Mitarbeiter entwickelt haben. Datenbanken wie Repo4Cat⁴⁸⁾ oder CatTestHub⁴⁹⁾ bieten standardisierte Formate für Experimente an, und Werkzeuge wie Adacta⁵⁰⁾ ermöglichen effizientes Forschungsdatenmanagement.

Selbststeuernde Multiskalenmodelle mit KI-Agenten

Eine besonders dynamische Entwicklung in der computergestützten Katalyse und Reaktionstechnik ist der Einsatz von KI-Agenten wie Claude Code zur Automatisierung komplexer Simulationsabläufe.^1,2,51) Statt LLMs nur zu nutzen, um Antworten auf spezifische Fragen zu erzeugen, nutzen diese Ansätze LLMs, um Skripte zu erstellen, auszuführen und iterativ zu verfeinern, die mit etablierter und validierter Software zusammenarbeiten. Solche Software umfasst unter anderem Codes für DFT- oder MLIP-Simulationen, Generatoren für Reaktionsmechanismen⁵²⁾ oder mikrokinetische Reaktormodellierungstools. Ein Beispiel ist der Dreams-Ansatz von Wang und Mitarbeitern.⁵³⁾ Bei diesem Ansatz erzeugen LLM-basierte Agenten autonom Workflows für Elektronenstrukturberechnungen, einschließlich der Einrichtung und Durchführung von DFT-Simulationen (Abbildung 8).

Aufgaben, die bislang monatelange Erfahrung erfordern, wie das Erstellen zuverlässiger Skripte, die Auswahl geeigneter Parameter und das Management einer Vielzahl von Simulationen, führen KI-Agenten in einem Bruchteil der Zeit aus – und die Qualität der Ergebnisse ähnelt der Qualität der durch menschliche Experten erzeugten Ergebnisse; damit sinkt die Einstiegshürde für komplexe Simulationen.

Über die Automatisierung von Arbeitsabläufen hinaus werden auch KI-gestützte Methoden für vollständige Multiskalenmodellierung entwickelt. So kombinieren beispielsweise López und Mitarbeiter die automatische Generierung von Reaktionsmechanismen mit einer On-the-fly-Parameterabschätzung, wobei sie MLIPs wie beispielsweise GAME-Net-UQ verwenden.⁵⁴⁾ Dieser Ansatz baut schnell große Reaktionsnetze auf, wobei die Genauigkeit angemessen bleibt im Vergleich zu DFT – bei einem Bruchteil der Rechenkosten (Abbildung 9).

Dieses autonome Multiskalenmodell wurde auf komplexe Reaktionssysteme angewendet, darunter die elektrochemische Reduktion von CO₂, die Fischer-Tropsch-Synthese und die Zersetzung von Methanol. Generiert wurden dabei Reaktionsnetze mit zehntausenden Spezies und Elementarschritten. Die generierten mikrokinetischen Modelle für die Fischer-Tropsch-Synthese reproduzieren qualitativ experimentelle Trends der Aktivität der Katalysatoren Co(0001), Fe(110), Ni(111) und Ru(0001). Das Modell ist bis zu sechs Größenordnungen schneller als konventionelle Methoden.

Ausblick

Reaktionstechnik und Katalyse befinden sich im Umbruch. Fortschritte in maschinellem Lernen und künstlicher Intelligenz führen nicht nur zu inkrementellen Verbesserungen bestehender Methoden. Sie verändern die Art, wie Katalysatoren und Reaktoren modelliert, untersucht und optimiert werden. Besonders die Kombination aus ML-basierten interatomaren Potenzialen und strukturaufgelösten Modellen führt zu besserer Verknüpfung von Reaktor- und atomaren Simulationen, mit der sich der Katalysator im Betrieb besser beschreiben lässt. Gleichzeitig ermöglichen physikalisch informierte ML-Modelle eine neue Generation kinetischer Modelle, die sich direkt aus Experimentaldaten ableiten lassen, ohne vollständig auf Annahmen zum Mechanismus zu basieren. Autonome Labore und KI-Agenten ergänzen diese Entwicklungen, indem sie experimentelle und rechnergestützte Arbeitsabläufe erstmals in geschlossenen, adaptiven Kreisläufen verbinden. Fraglich ist allerdings die Anwendbarkeit dieser Methoden für komplexe Prozesse wie Photokatalyse^55,56) oder Mechanokatalyse⁵⁷⁾ sowie für die Umwandlung komplexer Moleküle wie Polyfluoralkylsubstanzen (PFAS)⁵⁸⁾ oder das chemische Recycling von Polymeren.⁵⁹⁾

Langfristig zeichnet sich jedoch ab: Von Experten gesteuerte Modellierungsansätze werden weichen zugunsten dynamischer, datengetriebener und zunehmend autonomer Forschungssysteme. Fortschritte werden daher davon abhängen, inwieweit robuste, standardisierte und interoperable Datenstrukturen etabliert werden. In solchen Systemen interagieren Modelle, Experimente und KI-Agenten kontinuierlich miteinander und verbessern sich gegenseitig. Die Umsetzung dieser Vision erfordert jedoch nicht nur Fortschritte bei den Methoden, sondern auch ein Umdenken in der Art, wie Daten generiert, geteilt und interpretiert werden. Gelingt dies, bietet die Kombination von KI, Multiskalenmodellierung und automatisierten Experimenten die Chance, katalytische Prozesse schneller als bisher zu entwickeln.

Drei Fragen an den Autor: Bjarne Kreitz

Was brauchen Sie heute im Beruf, was Sie im Studium nicht gelernt haben?

Als Professor sind Personalmanagement- und Führungskompetenzen entscheidend, die im Studium kaum vermittelt werden. Der Erfolg meiner Forschung hängt stark von meinem Team ab. Daher ist es notwendig, Doktorand:innen individuell zu fördern und zu fordern, um gemeinsame Ziele zu erreichen.

Welche Methode hat sich in den letzten zwölf Monaten aus Ihrer Sicht am meisten weiterentwickelt?

Die Entwicklungen bei den großen Sprachmodellen sind beeindruckend, aber auch etwas besorgniserregend, insbesondere die Geschwindigkeit, mit der Verbesserungen erzielt werden. Besonders spannend ist ihr Einsatz als KI-Agenten für atomistische Simulationen. Kombiniert mit ML-basierten interatomaren Potenzialen werden sie genutzt, um Fragen zu Mechanismen zu bearbeiten, deren Beantwortung noch vor einem Jahr unerreichbar schien.

Was würden Sie gerne entdecken oder herausfinden?

Durch die Nutzung von maschinellem Lernen und KI untersuchen wir auf atomarer Ebene schneller größere Systeme. Allerdings ist die Genauigkeit ein Problem, das wir durch diese Methoden nicht lösen können. Deswegen würde ich gerne eine Methode entwickeln, mit der wir genaue kinetische oder thermodynamische Daten für heterogen katalysierte Reaktionen bekommen. Dadurch könnten unsere Modelle genau vorhersagen, wie sich Katalysatoren und Reaktoren optimieren lassen.

Bjarne Kreitz ist Assistant Professor in der School of Chemical and Biomolecular Engineering am Georgia Institute of Technology, Atlanta, USA. Seine Gruppe forscht an der Multiskalenmodellierung komplexer heterogenkatalysierter Reaktionen. Für seine Arbeiten auf diesem Gebiet erhielt er im Jahr 2025 den Hanns-Hofmann-Preis der Dechema und des Ingenieurvereins VDI. Er promovierte an der TU Clausthal und war Postdoc an der Brown University (Feodor-Lynen-Forschungsstipendium).

• ¹ H. Xin, J. R. Kitchin, H. J. Kulik, Nat. Mach. Intell. 2025, 7, 1373–1375
• ² H. Xin, J. R. Kitchin, N. López et al., Nat. Catal. 2026, 9, 102–111
• ³ C. Scheurer, K. Reuter, Nat. Catal. 2025, 8, 13–19
• ⁴ N. Orouji, J. A. Bennett, R. B. Canty et al., Nat. Catal. 2025, 8, 1135–1145
• ⁵ B. Kreitz, P. Biessey, M. Börnhorst, V. Schallhart, T. Westermann, Nachr. Chem. 2022, 70, 56–64
• ⁶ G. Olajide, K. Baral, S. Ezendu, A. Soyemi, T. Szilvási, J. Catal. 2025, 448, 116202
• ⁷ L. Chanussot, A. Das, S. Goyal et al., ACS Catal. 2021, 11, 6059–6072
• ⁸ R. Tran, J. Lan, M. Shuaibi et al., ACS Catal. 2023, 13, 3066–3084
• ⁹ S. J. Sahoo, M. Maraschin, D. S. Levine et al., arXiv 2025, 2509.17862
• ¹⁰ I. Batatia, P. Benner, Y. Chiang et al., J. Chem. Phys. 2025, 163, 184110
• ¹¹ G. D. Wehinger, M. Ambrosetti, R. Cheula et al., Chem. Eng. Res. Des. 2022, 184, 39–58
• ¹² B. M. Wood, M. Dzamba, X. Fu et al., arXiv 2025, 2506.23971
• ¹³ A. F. Hill, A. Ruiz-Escudero, M. M. Montemore, ACS Catal. 2026, 16, 5592–5602
• ¹⁴ X. Wang, J. Musielewicz, R. Tran, S. K. Ethirajan et al, Mach. Learn.: Sci. Technol. 2024, 5, 025018
• ¹⁵ R. Cheula, M. Andersen, ACS Catal. 2025, 15, 11377–11388
• ¹⁶ R. Cheula, M. Andersen, J. R. Kitchin, npj Comput. Mater. 2026, doi: 10.1038/s41524-026-02228-1
• ¹⁷ S. Stocker, H. Jung, G. Csányi et al., J. Chem. Theory Comput. 2023, 19, 6796–6804
• ¹⁸ K. Blöndal, K. Badger, K. Sargsyan et al., Phys. Chem. Chem. Phys. 2024, 26, 17265–17273
• ¹⁹ E. Fako, S. De, ACS Catal. 2026, 16, 3149–3158
• ²⁰ Y. Huang, X. R. Zhou, B. C. Bukowski, J. Catal. 2026, 454, 116659
• ²¹ K. Sakai, I. Furikado, A. J. Medford, J. Catal. 2025, 450, 116253
• ²² B. Klumpers, E. J. M. Hensen, I. A. W. Filot, AI Sci. 2026, 2, 025001
• ²³ A. Sriram, L. M. Brabson, X. Yu et al., arXiv 2025, doi: 10.48550/arXiv.2508.03162
• ²⁴ S. G. Porter, B. Kreitz, Faraday Discuss. 2026, D5FD00144G
• ²⁵ B. Kreitz, G. S. Gusmão, D. Nai et al., Chem. Soc. Rev. 2025, 54, 560–589
• ²⁶ T. Maxson, T. Szilvási, Angew. Chem. Novit 2025, 1, e70008
• ²⁷ P. Poths, K. C. Lai, C. Scheurer et al., Faraday Discuss. 2026, D5FD00138B
• ²⁸ L. Fuchs, K. Wein, J. Friedland et al., Mach. Learn. Sci. Technol. 2025, 6, 035014
• ²⁹ B. Kreitz, G. Kogekar, R. Cheula, C. F. Goldsmith, J. Catal. 2025, 452, 116407
• ³⁰ M. Bello, B. Rayamajhi, O. H. Bamidele et al., ACS Catal. 2025, 15, 12420–12435
• ³¹ M. Bello, B. Rayamajhi, W. Yang, A. Heyden, npj Comput. Mater. 2025
• ³² F. Biermann, R. Uglietti, F. A. Döppel et al., Chem. Eng. J. 2025, 519, 163598
• ³³ T. Hülser, B. Kreitz, C. F. Goldsmith, S. Matera, Comput. Chem. Eng. 2025, 194, 108922
• ³⁴ G. Küchen, L. Gottheil, V. Olszok et al., Ind. Eng. Chem. Res. 2026, iecr.5c04764
• ³⁵ S. D. Anderson, M. Kutscherauer, G. D. Wehinger et al., Chem. Eng. Sci. 2025, 316, 121880
• ³⁶ H. Stagge, R. Güttel, Chem. Eng. J. 2025, 510, 161460
• ³⁷ F. Döppel, T. Kircher, M. Votsmeier, Chem. Eng. J. 2026, 535, 175101
• ³⁸ M. Kouyate, G. Ducci, F. Felsen et al., J. Chem. Phys. 2025, 163, 224113
• ³⁹ H. Stagge, M. Gäßler, T. Oyuncu, R. Güttel, Chem. Eng. Sci. 2026, 320, 122454
• ⁴⁰ V. Kärkäs, T. Kircher, M. Hungsberg et al., Chem. Eng. Sci. 2025, 314, 121784
• ⁴¹ G. Tom, S. P. Schmid, S. G. Baird et al., Chem. Rev. 2024, 124, 9633–9732
• ⁴² A. Ramirez, E. Lam, D. P. Gutierrez et al., Chem Catal. 2024, 4, 100888
• ⁴³ J. A. Bennett, N. Orouji, M. Khan et al., Nat. Chem. Eng. 2024, 1, 240–250
• ⁴⁴ Research Briefing, Nat. Chem. Eng. 2024, 1, 206–207
• ⁴⁵ M. Suvarna, T. Zou, S. H. Chong et al., Nat. Commun. 2024, 15, 5844 A.
• ⁴⁶ S. Behr, H. Borgelt, N. Kockmann, J. Cheminf. 2024, 16, 16
• ⁴⁷ H. Borgelt, F. G. Kitel, N. Kockmann, Computers 2025, 14, 311
• ⁴⁸ Zu Repo4Cat: repository.nfdi4cat.org
• ⁴⁹ A. S. Burte, A. Nair, L. C. Grabow et al., J. Catal. 2025, 442, 115902
• ⁵⁰ H. Gossler, J. Riedel, E. Daymo et al., Chem. Ing. Tech. 2022, 94, 1798–1807
• ⁵¹ A. J. Medford, T. N. Whittaker, B. Kreitz et al., Curr. Opin. Chem. Eng. 2026, 51, 101232
• ⁵² M. Liu, A. Grinberg Dana, M. S. Johnson et al., J. Chem. Inf. Model. 2021, 61, 2686–2696
• ⁵³ Z. Wang, H. Huang, H. Zhao et al., arXiv 2025, 2507.14267
• ⁵⁴ S. Morandi, O. Loveday, T. Renningholtz et al., Nat. Chem. Eng. 2026, 3, 169–180
• ⁵⁵ A. Beck, M. J. Gordon, P. Christopher, J. Am. Chem. Soc. 2026, 148, 7024–7034
• ⁵⁶ S. S. Wong, H. An, M. J. Hülsey, J. Catal. 2025, 450, 116293
• ⁵⁷ K. Gołąbek, Y. Chang, L. R. Mellinger et al., Chem 2026, 12, 102754
• ⁵⁸ P. Lott, F. Maurer, A. Beck, Angew. Chem. Int. Ed. 2025, 64, e202424718
• ⁵⁹ V. M. Pohl, C. K. Fonzeu Monguen, D. J. Heitlinger et al., React. Chem. Eng. 2026, D5RE00442J

Wissenschaft + ForschungTrendberichte