In Kürze

  • Bojana Ranković und Philippe Schwaller vom Laboratory of Artificial Chemical Intelligence der EPFL veröffentlichten am 28. August 2026 in «Nature Machine Intelligence» die Methode «GOLLuM» (Gaussian Process Optimized LLMs).
  • GOLLuM kombiniert ein Sprachmodell mit einem Gauss-Prozess, der als statistischer «Zweifel-Detektor» dient: Das System lernt aus vergangenen Experimenten, wie sicher oder unsicher eine bestimmte Vorhersage ist, statt Ergebnisse nur direkt vorherzusagen.
  • Auf 23 Benchmark-Aufgaben aus organischer Synthese, analytischer Chemie und Materialforschung fand GOLLuM gute Versuchsbedingungen mit über 40 Prozent weniger Experimenten als klassische Optimierungsverfahren.

Was ist passiert?

Ein Team um Bojana Ranković und Philippe Schwaller vom Laboratory of Artificial Chemical Intelligence der EPFL hat am 28. August 2026 in der Fachzeitschrift «Nature Machine Intelligence» eine Methode namens «GOLLuM» (Gaussian Process Optimized LLMs) vorgestellt, über die im September 2026 unter anderem EPFL Actu und TechXplore berichteten. GOLLuM verbindet ein grosses Sprachmodell mit einem Gauss-Prozess – einem probabilistischen Modell, das in der bayesschen Optimierung verwendet wird und hier als eine Art «Zweifel-Detektor» fungiert.

Statt das Sprachmodell direkt nach der besten nächsten Versuchsbedingung zu fragen, trainieren die Forschenden es darauf, aus der Unsicherheitsbewertung des Gauss-Prozesses zu lernen: Bedingungen mit ähnlichen erwarteten Ergebnissen werden im Suchraum näher zusammengerückt, Bedingungen mit unterschiedlichen Ergebnissen weiter auseinandergeschoben. Auf 23 Testaufgaben aus organischer Synthese, analytischer Chemie, Materialforschung und Katalyse fand GOLLuM gute experimentelle Bedingungen mit über 40 Prozent weniger Experimenten als klassische Optimierungsverfahren.

Warum ist das wichtig?

Sprachmodelle gelten in wissenschaftlichen Anwendungen oft als überzuversichtlich: Sie liefern plausibel klingende Vorhersagen, ohne verlässlich anzugeben, wie unsicher diese tatsächlich sind. GOLLuM adressiert dieses Problem, indem es die Selbstüberschätzung des Modells gezielt in ein nutzbares Lernsignal umwandelt, statt sie als Schwäche zu behandeln. Das ist vor allem in der experimentellen Forschung wertvoll, wo jedes physische Experiment Zeit, Material und Kosten verursacht.

Die Methode reiht sich in eine wachsende Zahl von KI-Anwendungen ein, die nicht auf möglichst grosse, allgemeine Modelle setzen, sondern auf spezialisierte Kombinationen aus Sprachmodellen und klassischen statistischen Verfahren für konkrete wissenschaftliche Probleme. Für Forschungslabore mit begrenzten Ressourcen – etwa an Hochschulen oder in kleineren Industrieunternehmen – könnte ein solcher Ansatz den Zugang zu KI-gestützter Experimentplanung erleichtern, ohne auf riesige Rechenkapazitäten angewiesen zu sein.

Was bedeutet das für die Schweiz?

Redaktionelle Einordnung: Die folgenden Schlussfolgerungen beziehen sich auf die genannten Quellen. Sie sind keine zusätzlichen Meldungen der Originalquelle.

  • Die Studie ist ein weiteres Beispiel dafür, dass Schweizer Hochschulen nicht nur bei grossen Sprachmodellen wie Apertus, sondern auch bei spezialisierten KI-Methoden für die Naturwissenschaften international Grundlagenforschung liefern – hier konkret für die Beschleunigung von Labor- und Materialforschung.
  • Für die Schweizer Chemie-, Pharma- und Materialindustrie, die stark forschungsintensiv arbeitet, ist eine Methode mit direktem Bezug: Weniger benötigte physische Experimente bedeuten tiefere Entwicklungskosten und kürzere Zeit bis zu neuen Wirkstoffen oder Materialien – ein Effizienzgewinn, der auch KMU-Zulieferern der Pharma- und Feinchemiebranche zugutekommen könnte.
  • Die Publikation unterstreicht zudem die Rolle der EPFL als Standort für die Schnittstelle von KI und Naturwissenschaften und stärkt das Argument, dass der Forschungsstandort Schweiz von gezielter Förderung KI-gestützter Wissenschaft profitiert, statt sich allein auf grosse, allgemeine Sprachmodelle zu konzentrieren.

Verwendete Quellen

EPFL Actu berichtete im September 2026 über die in «Nature Machine Intelligence» veröffentlichte Studie; ergänzende technische Details wurden über einen Bericht von TechXplore eingeordnet.

Quellenstatus: 2 verlinkte Quellen · 0 von 2 Originaldaten verifiziert. Prüfregeln ansehen

Häufige Fragen

Was ist die Kernaussage zu EPFL-Methode «GOLLuM» bringt Sprachmodellen bei zu zweifeln – und spart bis zu 40 Prozent der Laborexperimente?

Bojana Ranković und Philippe Schwaller vom Laboratory of Artificial Chemical Intelligence der EPFL veröffentlichten am 28. August 2026 in «Nature Machine Intelligence» die Methode «GOLLuM» (Gaussian Process Optimized LLMs).

Warum ist diese KI-Meldung für die Schweiz relevant?

Die Studie ist ein weiteres Beispiel dafür, dass Schweizer Hochschulen nicht nur bei grossen Sprachmodellen wie Apertus, sondern auch bei spezialisierten KI-Methoden für die Naturwissenschaften international Grundlagenforschung liefern – hier konkret für die Beschleunigung von Labor- und Materialforschung.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

EPFL Actu berichtete im September 2026 über die in «Nature Machine Intelligence» veröffentlichte Studie; ergänzende technische Details wurden über einen Bericht von TechXplore eingeordnet.