Kurzfassung
Ein Forschungsteam um Erstautorin Selin Bac (UC Santa Barbara) liess vier unabhängige US-Labore denselben Rhodium-basierten Katalyseversuch nach identischem Protokoll wiederholen – als Testfall für ein Verfahren, das Kohlendioxid mithilfe von Katalysatoren in Brennstoff-Vorstufen umwandelt.
- Ein Forschungsteam um Erstautorin Selin Bac (UC Santa Barbara) liess vier unabhängige US-Labore denselben Rhodium-basierten Katalyseversuch nach identischem Protokoll wiederholen – als Testfall für ein Verfahren, das Kohlendioxid mithilfe von Katalysatoren in Brennstoff-Vorstufen umwandelt.
- Entgegen der Erwartung fiel es den vier Laboren deutlich schwerer als angenommen, untereinander übereinstimmende Ergebnisse zu erzielen; erst der direkte Abgleich der Resultate deckte auf, wie stark bereits kleine Unterschiede in Ausrüstung und Versuchsdurchführung die Messwerte verzerren.
- Die Studie schliesst daraus, dass die Zuverlässigkeit von KI-Modellen für naturwissenschaftliche Entdeckungen massgeblich davon abhängt, wie reproduzierbar die zugrunde liegenden Trainingsdaten sind – eine Mahnung zur Vorsicht bei der Auswahl von Daten für maschinelles Lernen in der Forschung.
Was ist passiert?
Ein Forschungsteam um Erstautorin Selin Bac, Postdoktorandin an der University of California, Santa Barbara, hat am 31. Juli 2026 in der Fachzeitschrift «Nature Catalysis» eine Studie veröffentlicht, die einer verbreiteten Praxis in der KI-gestützten Naturwissenschaft auf den Zahn fühlt: dem Training von maschinellen Lernmodellen mit Messdaten aus unterschiedlichen Laboren. Dafür liessen die Forschenden vier unabhängige Labore in den USA denselben Katalyseversuch nach identischem, im Vorfeld abgestimmtem Protokoll wiederholen – sogenannte «Round-Robin»-Experimente mit demselben Rhodium-basierten Katalysator, der als erster Schritt bei der Umwandlung von Kohlendioxid in Kohlenmonoxid und damit potenziell in Treibstoff-Vorstufen dient.
Zur Überraschung des Teams erwies es sich als deutlich schwieriger als erwartet, unter den vier Laboren übereinstimmende Resultate zu erzielen. Erst als die Gruppen ihre Ergebnisse direkt miteinander verglichen, wurde offensichtlich, wie stark bereits kleine Unterschiede in Ausrüstung, Kalibrierung und Versuchsdurchführung die gemessenen Werte auseinanderdriften liessen – ein Problem, das in Publikationen einzelner Labore für sich genommen kaum auffällt.
Warum ist das wichtig?
«Unsere Ergebnisse erinnern daran, vorsichtig damit zu sein, welche Informationen wir in ein Machine-Learning-Modell einspeisen, und wie stark die Konsistenz experimenteller Daten die Verlässlichkeit der Ergebnisse beeinflussen kann», wird Bac in der Studienmitteilung zitiert. Die Erkenntnis trifft einen wunden Punkt der aktuellen KI-für-Wissenschaft-Welle: Viele Trainingsdatensätze für wissenschaftliche KI-Modelle stammen aus historisch gewachsenen, über Jahre und verschiedene Labore verstreuten Messreihen, deren Vergleichbarkeit selten systematisch überprüft wurde.
Die Studie liefert damit ein handfestes Gegengewicht zum verbreiteten Narrativ, wonach mehr Daten automatisch zu besseren KI-Modellen führen. Stattdessen zeigt sie, dass Umfang allein nicht reicht, wenn die Datenqualität und -konsistenz nicht mitgedacht wird – eine Botschaft, die weit über die Katalyseforschung hinaus für sämtliche Bereiche gilt, in denen experimentelle Messdaten die Grundlage für KI-Modelle bilden, von der Materialforschung bis zur Wirkstoffentwicklung.
Was bedeutet das für die Schweiz?
Der Befund betrifft auch laufende Schweizer Forschungsinfrastruktur direkt: Das Paul Scherrer Institut im aargauischen Villigen betreibt mit der Swiss Light Source eine Synchrotronanlage, die technisch mit der am Experiment beteiligten Stanford Synchrotron Radiation Lightsource vergleichbar ist und für ganz ähnliche Katalyse- und Materialforschung genutzt wird. Wissenschaftlerinnen und Wissenschaftler, die dort oder an vergleichbaren Schweizer Grossforschungsanlagen Messdaten für KI-Anwendungen sammeln, stehen vor denselben Herausforderungen bei der Standardisierung von Protokollen.
Auch für die forschungsstarke Schweizer Pharma- und Chemieindustrie rund um Basel, die zunehmend auf KI-gestützte Wirkstoff- und Katalysatorentwicklung setzt, liefert die Studie ein konkretes Argument, in reproduzierbare Messprotokolle zu investieren, bevor Labordaten in Trainingsdatensätze einfliessen. Auch die Swiss AI Initiative von ETH Zürich, EPFL und dem Swiss National Supercomputing Centre nennt «KI für die Wissenschaft» explizit als einen ihrer Förderschwerpunkte – Forschungsgruppen, die dort Fördergelder für wissenschaftliche KI-Anwendungen beantragen, dürften an der Datenqualitäts-Lehre aus der US-Studie kaum vorbeikommen.
Häufige Fragen
Was ist die Kernaussage zu Stanford-Studie zeigt: Schlecht reproduzierbare Messdaten untergraben KI-Modelle in der Forschung?
Ein Forschungsteam um Erstautorin Selin Bac (UC Santa Barbara) liess vier unabhängige US-Labore denselben Rhodium-basierten Katalyseversuch nach identischem Protokoll wiederholen – als Testfall für ein Verfahren, das Kohlendioxid mithilfe von Katalysatoren in Brennstoff-Vorstufen umwandelt.
Warum ist diese KI-Meldung für die Schweiz relevant?
Das Paul Scherrer Institut betreibt mit der Swiss Light Source eine Synchrotronanlage, die technisch mit der am Experiment beteiligten Stanford Synchrotron Radiation Lightsource vergleichbar ist und für ganz ähnliche Katalyse- und Materialforschung genutzt wird – der Befund betrifft damit unmittelbar laufende Schweizer Forschungsinfrastruktur.
Welche Quelle nutzt KI News Schweiz für diese Einordnung?
Der Stanford Report veröffentlichte die Zusammenfassung am 3. August 2026; SLAC National Accelerator Laboratory publizierte dieselbe Geschichte parallel, die zugrunde liegende Studie erschien am 31. Juli 2026 in «Nature Catalysis» (Bac et al.).