- Wissenschaftler der Sandia National Laboratories (US-Energieministerium) setzten drei autonome KI-Agenten im Labor ein, um die LED-Lichtlenkungstechnologie zu optimieren, mit dem Ziel, teure und stromfressende Laser zu ersetzen.
- In nur 5 Stunden führte das KI-Agentensystem über 300 Experimente durch und erzielte Ergebnisse bei der LED-Strahlsteuerung, die viermal besser waren als die zuvor von Menschen entwickelten Methoden.
- Die in Nature Communications veröffentlichte Studie ist ein klarer Beweis für das Modell des „selbstfahrenden Labors“ (self-driving lab) – ein Labor, das autonom mit direkter KI-Unterstützung für physische Geräte arbeitet.
- Anstatt LLMs zu verwenden oder APIs von Drittanbietern aufzurufen, entwickelte das Forschungsteam drei spezialisierte KI-Modelle auf der Grundlage ausgereifter Algorithmen für maschinelles Lernen.
- Das erste Modell verwendet einen Variational Autoencoder (VAE, eingeführt 2013) zur Vorverarbeitung experimenteller Daten.
- Das zweite Modell wendet Bayes’sche Optimierung an und verbindet sich direkt mit optischen Geräten, um Experimente in einem geschlossenen Regelkreis automatisch vorzuschlagen, durchzuführen und zu analysieren.
- Das dritte Modell ist ein Feed-Forward-Neuronales-Netzwerk, das als „wissenschaftlicher Validator“ fungiert, Formeln ableitet und erklärt, warum die optimale Konfiguration effektiv ist.
- Dieser Ansatz vermeidet Halluzinationen – ein häufiges Problem generativer KI –, da die Modelle speziell für eine enge Aufgabe entwickelt wurden.
- Das gesamte System läuft auf einer einzigen Lambda Labs Workstation mit 3 RTX A6000 GPUs und benötigt keine Supercomputer-Infrastruktur.
- Neben LEDs wird erwartet, dass diese Methode in Zukunft auch für das Design von Materialien, Legierungen und gedruckter Elektronik angewendet wird.
📌 Untersuchungen der Sandia National Laboratories (US-Energieministerium) zeigen, dass ein System aus 3 KI-Agenten in nur 5 Stunden über 300 Experimente durchführte und Ergebnisse bei der LED-Strahlsteuerung erzielte, die viermal besser waren als zuvor von Menschen entwickelte Methoden. Dies hat große Perspektiven für selbstfahrende Labore eröffnet. Es wird erwartet, dass diese Methode in Zukunft für das Design von Materialien, Legierungen und gedruckter Elektronik angewendet wird.
