Das menschliche Gehirn arbeitet ausschließlich mit chemischen Reaktionen und gilt dennoch als der leistungsfähigste Computer der Welt. Das EU-finanzierte Projekt CORENET hat geprüft, ob sich dieses Prinzip im Labor nutzen lässt: Netzwerke chemischer Reaktionen in mikrofluidischen Reaktoren verarbeiteten Daten, und künstliche Intelligenz las die Antworten aus. Hier treffen Chemie, Informatik und Datenanalyse an einem Tisch zusammen – und am Ende kannst du prüfen, ob diese Arbeitsweise zu dir passt.
Bei Computern denken die meisten an Prozessoren, Kabel und Bildschirme. Der Beitrag auf CORDIS beginnt dagegen mit einem anderen Vergleich: Der leistungsfähigste Computer der Welt ist das menschliche Gehirn, und es basiert vollständig auf chemischen Reaktionen. Daraus ergibt sich die Frage, die sich die Forschenden des europäischen Projekts CORENET gestellt haben: Kann Chemie als Modell für eine völlig neue Art von Rechenverfahren dienen?
Das Projekt wird von der EU unterstützt und vom Europäischen Innovationsrat finanziert. Es entwickelt Computergeräte nach dem Vorbild des Gehirns. Die Informationen verarbeiten darin Netzwerke chemischer Reaktionen, kurz CRNs. Moleküle werden zu Trägern von Daten, und ihre Umwandlung wird zur Art, diese Daten zu verarbeiten. Die Arbeiten gehören zu den Bemühungen EU-finanzierter Projekte, das maschinelle Lernen voranzubringen.
Wilhelm Huck, Professor und Leiter des CORENET-Teams an der Radboud-Universität in den Niederlanden, erklärt die Idee so: „Wir ließen uns vom menschlichen Gehirn inspirieren, das selbst ein chemischer Prozessor ist. Deshalb wollten wir zeigen, dass dynamische Reaktionsnetzwerke, die sich in mikrofluidischen Umgebungen befinden, hochkomplexe Rechenaufgaben ausführen können.“
Die Technik, die das Team genutzt hat, heißt Reservoir Computing. Umgesetzt wurde sie auf mikrofluidischen Chips, also in winzigen Reaktoren, durch die Chemikalien strömen. Ausgangspunkt ist eine chemische Eingabeschicht. Sie besteht aus:
Zusammen bilden diese Elemente das Reservoir. Die Reaktionen beginnen mit einfachen Ausgangsmolekülen mit einem oder zwei Kohlenstoffatomen und erweitern dann den chemischen Raum. So entstehen Dutzende strukturell komplexerer Verbindungen.
Entscheidend ist, dass das Ergebnis der Reaktionen kein Zufall ist. Die Eingangsbedingungen hängen mit der Zusammensetzung der Produkte zusammen: Andere Einstellungen am Anfang ergeben ein anderes Muster von Molekülen am Ende. Diese chemische Antwort lässt sich anschließend auswerten.
Hier kommen künstliche Intelligenz und maschinelles Lernen ins Spiel. Die Algorithmen gewinnen aus der chemischen Antwort aussagekräftige Informationen. In der Praxis übernehmen die Reaktionen also einen Teil der Rechenarbeit, und KI-Werkzeuge helfen dabei, das Ergebnis zu lesen.
Ein zentrales Ergebnis war die erfolgreiche Entwicklung und Automatisierung von Workflows für das chemische Reservoir Computing. Chemische Eingaben, die durch mikrofluidische Reaktoren strömten, erzeugten nichtlineare Ausgaben. Diese wurden analysiert und interpretiert, um Klassifizierungs- und Vorhersageaufgaben zu lösen – also Probleme, die jeder kennt, der schon mit maschinellem Lernen gearbeitet hat.
Außerdem entwickelte das Team Protokolle zur Steuerung, Überwachung und gezielten Beeinflussung dieser Reaktionsnetzwerke. Laut dem Beitrag ist das ein bedeutender Schritt hin zu skalierbarem, molekülbasiertem Computing.
Die Ergebnisse erschienen in einem wegweisenden Artikel in „Nature“ mit dem Titel „Chemical reservoir computation in a self-organizing reaction network“. Er zeigte, wie Formosereaktionen und verwandte Systeme als molekulare Rechensubstrate dienen können. Eine Folgearbeit wird derzeit abgeschlossen: Sie soll zeigen, dass sich das Konzept verallgemeinern lässt – mit einem leistungsfähigen Reservoir-Computer auf Basis eines neu entwickelten Reaktionsnetzwerks.
CORENET zeigt, wie die Grenzen zwischen Studienfächern verschwimmen. Projektkoordinator Andres de la Escosura, außerordentlicher Professor an der Autonomen Universität Madrid, betont, dass der Erfolg aus der Zusammenarbeit vieler Fachrichtungen entstand: „Wir waren begeistert, wie erfolgreich dieser Ansatz war und wie unsere außergewöhnliche Gruppe von Wissenschaftlerinnen und Wissenschaftlern aus Forschung und Industrie zusammengearbeitet hat, um diese große Herausforderung zu meistern: Systemchemie, Mikrofluidik, Metabolomik und KI miteinander zu verbinden.“
Wer gerade ein Studienfach oder eine Spezialisierung wählt, kann daraus einiges mitnehmen. Eine Chemikerin, die Datenanalyse versteht, kann in einem Team landen, das an der Zukunft des Rechnens arbeitet. Ein Informatiker oder eine Fachkraft für maschinelles Lernen kann spannende Aufgaben dort finden, wo die Daten nicht vom Bildschirm, sondern aus einem Mikroreaktor kommen. Bemerkenswert ist auch, dass Forschende aus Hochschulen und aus der Industrie zusammenarbeiteten – solche Forschung bleibt also nicht hinter Universitätsmauern.
Schaut man sich an, woran das Team gearbeitet hat, treffen in solchen Projekten täglich mehrere Wissensgebiete zusammen: Reaktionschemie und Katalyse, Mikrofluidik, die Analyse der Zusammensetzung von Mischungen und maschinelles Lernen. Niemand muss alles auf einmal beherrschen, aber es ist leichter, sich in so einem Team zurechtzufinden, wenn man die Sprache der Nachbardisziplinen versteht.
CORENET ist der Versuch, Rechengeräte zu bauen, in denen chemische Reaktionen Informationen verarbeiten – nach dem Vorbild des menschlichen Gehirns. Die Forschenden haben gezeigt, dass Reaktionsnetzwerke in mikrofluidischen Reaktoren Antworten liefern, die künstliche Intelligenz in Lösungen für Klassifizierungs- und Vorhersageaufgaben übersetzen kann. Für solche Arbeit braucht es Menschen aus verschiedenen Fachrichtungen, von der Systemchemie bis zur KI.
Dieser Artikel beruht auf Material, das vom CORDIS-Dienst der Europäischen Kommission veröffentlicht wurde.
5 Fragen · eine Minute
English
Čeština
Deutsch
Español
Français
Magyar
Italiano
Polski
Português
Русский
Slovenčina
Türkçe
Українська
العربية
中文