In einer groß angelegten kontrollierten Studie untersuchte der MIT-Ökonom Aidan Toner-Rodgers die Auswirkungen des Einsatzes eines KI-Tools zur Unterstützung der Forschung in einem nicht namentlich genannten US-Unternehmen mit über 1.000 Forschern.
Das Unternehmen entwickelt anorganische Materialien wie Molekülverbindungen, Kristallstrukturen, Gläser und Metalllegierungen für den Einsatz im Gesundheitswesen, in der Optik und in der industriellen Fertigung.
Die Forscher-Teams, die nach dem Zufallsprinzip ausgewählt wurden, um das maßgeschneiderte KI-Tool zu nutzen, entdeckten 44 % mehr neue Materialien und reichten 39 % mehr Patentanmeldungen ein als die Teams, die bei ihrem Standard-Workflow blieben. Das KI-Tool kombiniert Graph Neural Networks mit Reinforcement Learning. Das neuronale Netz wurde mit Daten aus umfangreichen bestehenden Datenbanken wie dem Materials Project für Kristallstrukturen und der Alexandria Materials Database für Molekülstrukturen vortrainiert.
Die Forscher geben die gewünschten Materialeigenschaften in das neuronale Netz ein und das System schlägt neue Strukturen vor, die diese Eigenschaften haben könnten. Die Teams filtern dann potenzielle Fehlschläge heraus, versuchen die vielversprechenden Strukturen zu synthetisieren, testen sie in Experimenten und sogar in Prototypen von Endprodukten. Die Ergebnisse fließen zurück in das neuronale Netz, um dessen Vorhersagefähigkeiten zu verbessern.
Leistungsstarke Forscher profitieren am meisten von KI-Hilfe
Interessanterweise profitierten die leistungsstärksten Forscher des Unternehmens am meisten von der KI, während die leistungsschwächeren Wissenschaftler kaum Vorteile hatten. Toner-Rodgers vermutet, dass Top-Forscher ihr Fachwissen nutzen, um vielversprechende KI-Vorschläge zu priorisieren, während andere Ressourcen verschwenden, um falsch-positive Ergebnisse zu testen.
In einem Folge-Fragebogen berichteten die KI-nutzenden Forscher zudem von weniger Arbeitszufriedenheit, da das Tool einige der kreativeren Schritte in ihrer Arbeit übernommen hatte und die Wissenschaftler meist nur noch auswählen mussten, welche der vorgeschlagenen Materialien in die nächste Phase gebracht werden sollten.
