Ein Laborroboter hat innerhalb von 30 Tagen vier zuvor nicht beschriebene chemische Reaktionen gefunden. Das System führte nicht nur eine vorgegebene Liste von Versuchen aus. Es wertete Ergebnisse aus und entschied, welche Ansätze weiter untersucht werden sollten. Menschen entwarfen allerdings den Suchraum, bauten die Plattform und charakterisierten die entstandenen Produkte.
Die am 13. Oktober 2026 in Nature Communications veröffentlichte Arbeit von Patryk Klochowicz und Kollegen stammt aus dem Institut für Organische Chemie der Polnischen Akademie der Wissenschaften. Künstliche Intelligenz übernimmt darin einen Teil der Entscheidungen zwischen einzelnen Experimenten.
Der konkrete Forschungsgegenstand sind asymmetrische Reaktionen. Dabei ist nicht nur wichtig, welche Atome miteinander verbunden werden. Ebenso entscheidend kann sein, in welcher räumlichen Anordnung das Produkt entsteht. Das macht die Suche anspruchsvoller als einen einfachen Test, ob überhaupt eine Reaktion stattfindet.
Manche Moleküle können in zwei Formen vorkommen, die sich wie linke und rechte Hände zueinander verhalten. Sie besitzen dieselben Verbindungen zwischen ihren Atomen, lassen sich aber räumlich nicht vollständig zur Deckung bringen. Solche Formen heißen Enantiomere.
Eine asymmetrische Reaktion soll bevorzugt eine dieser Formen erzeugen. Für einen Versuch reicht deshalb nicht die Feststellung, dass ein neues Produkt vorhanden ist. Auch das Verhältnis der entstandenen Formen muss erfasst werden.
Damit entstehen mehrere Anforderungen zugleich. Eine Reaktion sollte ausreichend Produkt liefern und die gewünschte räumliche Form bevorzugen. Bedingungen, die bei einem Kriterium gut abschneiden, müssen beim anderen nicht ebenso günstig sein.
Die Plattform verbindet Dosiertechnik, Reaktionsgefäße und Chromatografie. Flüssigkeiten werden automatisch verteilt, Versuche unter gewählten Bedingungen durchgeführt und Proben anschließend analysiert. Die Auswertung unterscheidet zunächst chemische Produkte und untersucht danach deren räumliche Zusammensetzung.
Die Steuerung nutzt Reinforcement Learning. Vereinfacht lernt ein solches System, welche Handlungen unter den jeweiligen Bedingungen zu günstigen Ergebnissen führen. Zwei miteinander verbundene Entscheidungssysteme bearbeiten unterschiedliche Ebenen der Suche.
Dazu gehört beispielsweise, ob ein Ansatz weiter optimiert werden sollte oder ob es sinnvoller erscheint, zu einem anderen Kandidaten zu wechseln. Auch Reaktionsbedingungen wie Temperatur und Zeit lassen sich innerhalb der vorgegebenen Grenzen anpassen. Der Laborroboter erfindet diese Grenzen nicht selbst, sondern arbeitet in einer von den Forschern eingerichteten Umgebung.
Bevor die Steuerung auf der realen Plattform eingesetzt wurde, trainierte das Team sie in einer simulierten Umgebung. Dieser digitale Zwilling bildet wichtige Eigenschaften des Versuchsablaufs nach. Er ermöglicht es, Entscheidungsstrategien zu erproben, ohne jeden Lernschritt mit einem neuen realen Experiment zu bezahlen.
Eine Simulation ersetzt allerdings nicht die anschließende chemische Prüfung. Sie kann nur jene Eigenschaften abbilden, die in ihr berücksichtigt sind. Unerwartete Reaktionen und praktische Störungen können außerhalb ihrer bisherigen Beschreibung liegen.
Der Übergang ins Labor ist deshalb wesentlich. Dort müssen Dosierung, Reaktionsführung und Messung tatsächlich funktionieren. Ein gutes Ergebnis innerhalb einer simulierten Umgebung ist noch keine neu entdeckte chemische Reaktion.
Während des einmonatigen Versuchs traf die Steuerung mehr als 3.000 Entscheidungen. Diese Zahl darf nicht mit der Zahl vollständiger chemischer Versuche gleichgesetzt werden. Ein Experiment kann mehrere Entscheidungen erfordern, etwa zur weiteren Behandlung oder zur Auswahl des nächsten Schritts.
Aus dem vorgegebenen Kandidatenraum untersuchte die Plattform ausgewählte Ansätze und identifizierte vier zuvor nicht beschriebene, stark enantioselektive Reaktionen. Der Erfolg bestand also nicht darin, jede denkbare chemische Umwandlung durchsucht zu haben. Er lag in einer erfolgreichen Auswahl innerhalb eines begrenzten Forschungsproblems.
Für die Beurteilung automatisierter Wissenschaft ist diese Unterscheidung entscheidend. Ein System kann in einem anspruchsvollen Teilgebiet nützlich sein, ohne bereits selbstständig Forschungsfragen aus sämtlichen Disziplinen zu formulieren und zu lösen.
Die Forscher konstruierten die Anlage, wählten die chemischen Ausgangspunkte und entwickelten die Auswertungswege. Die Produkte wurden außerdem isoliert und weiter charakterisiert. Erst dadurch ließ sich genauer bestimmen, was bei den erfolgreichen Versuchen entstanden war.
Der Begriff autonom beschreibt hier deshalb einen abgegrenzten Abschnitt des Ablaufs. Innerhalb dieses Abschnitts kann die Plattform selbstständig entscheiden. Der gesamte wissenschaftliche Prozess bleibt jedoch eine Zusammenarbeit aus menschlicher Planung, automatisierter Durchführung und zusätzlicher Überprüfung.
Die zugehörigen Forschungsdaten wurden in einem öffentlichen Repository hinterlegt und ergänzen die Beschreibung des Systems. Solche Daten sind wichtig, damit nicht nur das Endergebnis, sondern auch der Weg dorthin überprüfbar bleibt.
Ein gewöhnlich automatisierter Ablauf führt definierte Schritte wiederholt aus. Das neue System geht darüber hinaus, weil Zwischenergebnisse die weiteren Schritte beeinflussen. Es bleibt dennoch innerhalb eines von Menschen strukturierten Problems.
Gerade dieser Bereich könnte praktisch wertvoll sein. Viele Forschungsaufgaben verlangen zahlreiche ähnliche, aber nicht identische Versuche. Ein System, das aussichtslose Ansätze früher erkennt und brauchbare gezielt weiterverfolgt, kann dabei mehr leisten als ein mechanischer Probentransport.
Die vier gefundenen Reaktionen sind deshalb weder ein Nachweis überflüssiger Chemiker noch bloß eine schnell abgearbeitete Liste. Sie zeigen, dass die Entscheidung zwischen Experimenten selbst zu einer automatisierbaren wissenschaftlichen Aufgabe werden kann.
Nature Communications, Reinforcement learning guided robotic platform that investigates and discovers asymmetric reactions; doi:10.1038/s41467-026-78271-9
