Autonome Labore und Quanten-ML: Stand 2026

Im Dezember 2023 veröffentlichte das Team um Boiko, MacKnight und Gomes von der Carnegie Mellon University in „Nature“ die Ergebnisse des Systems „Coscientist“: ein auf einem großen Sprachmodell basierender Agent, der eigenständig Literatur durchsuchte, die organische Synthese plante und einem Laborroboter Befehle erteilte. Die Reaktion der wissenschaftlichen Gemeinschaft war gespalten. Die einen sahen die Ankündigung einer neuen Ära, die anderen ein beispielloses Risiko. Bei Cashcrown beobachten wir beide Dimensionen. Die Technik funktioniert. Die Frage, wann und wie man ihr die Initiative überlässt, bleibt offen.

Der Begriff „autonomes Labor“ umfasst sehr unterschiedliche Automatisierungsgrade. Es lohnt sich, diese zu unterscheiden, bevor man ihnen revolutionäre Attribute zuschreibt.

Auf der Ebene der Workflow-Automatisierung führt ein Pipettierroboter Hunderte von Wiederholungen ohne Übertragungsfehler durch, Sensoren erfassen Daten in Echtzeit, und ein Experiment-Management-System (ELN, Electronic Lab Notebook) archiviert jeden Schritt mit einem genauen Zeitstempel. Das ist keine KI. Das ist Prozessengineering, das seit mindestens einem Jahrzehnt kommerziell verfügbar ist.

Die zweite Ebene ist die adaptive Steuerung des Experiments. Der Algorithmus beobachtet die Ergebnisse des aktuellen Durchlaufs und modifiziert den nächsten: Er ändert die Konzentration, Temperatur oder die Reihenfolge der Schritte ohne manuelle Intervention. Systeme der Bayes’schen Optimierung (Gaussian Process + Expected Improvement) eignen sich hier gut für Räume mit bis zu einigen Dutzend Parametern.

Die dritte, fortschrittlichste Ebene ist der Agent in einer geschlossenen Schleife. Agent formuliert eine Hypothese basierend auf der Literatur und vorherigen Ergebnissen, entwirft ein Experiment, beauftragt einen Roboter mit dessen Durchführung und interpretiert die Ergebnisse. Solche Systeme existieren seit 2023 in Forschungsumgebungen, funktionieren jedoch nur in stark eingeschränkten Bereichen (Synthese kleiner organischer Moleküle, Material-Screening) und erfordern intensive Aufsicht bei jeder Erweiterung des Anwendungsbereichs.

Quanten-Machine-Learning (QML) ist ein Bereich, in dem der Enthusiasmus die Ergebnisse um einige Jahre übertrifft. Eine ehrliche Beschreibung des Stands von 2026 erfordert die Trennung von drei Ebenen.

Die theoretische Ebene ist gut entwickelt. Algorithmen wie VQE (Variational Quantum Eigensolver) und QAOA (Quantum Approximate Optimization Algorithm) haben nachgewiesene Vorteile bei der Simulation quantenmechanischer Systeme und bestimmten kombinatorischen Problemen. Auf dem Papier.

Die Hardware-Ebene ist noch nicht ausgereift. Aktuelle Quantenprozessoren (NISQ, Noisy Intermediate-Scale Quantum) verfügen über 50 bis einige hundert Qubits mit Kohärenzzeiten im Mikrosekundenbereich und Fehlerraten pro Gate von 0,1–1 %. Die meisten praktisch relevanten Probleme erfordern Zehntausende logischer Qubits mit Fehlerkorrektur. Das Erreichen dieser Schwelle wird bei der aktuellen Verbesserungsrate auf die Jahre 2030–2035 geschätzt.

Die hybride Ebene ist der Bereich realer Anwendungen heute. Hybride quanten-klassische Algorithmen (ein Quantenkreis als eingebettete Schicht in einem klassischen neuronalen Netz) zeigen vielversprechende Ergebnisse bei Molekülsimulationen für Moleküle mit bis zu einigen Dutzend Atomen. Es handelt sich noch nicht um einen praktischen Vorteil gegenüber den besten klassischen Methoden (DFT, CCSD(T)), aber die Lücke schließt sich.

In der Materialwissenschaft verkürzen QML-Systeme, unterstützt durch LLM, die Zeit für die Vorauswahl von Kandidaten. Der Forscher erhält eine Rangliste von 200 potenziellen Zusammensetzungen statt einer manuellen Durchsuchung des Raums. Synthese und Messung müssen jedoch weiterhin im physischen Labor erfolgen.

Zwei Bereiche, in denen die Kombination aus autonomen Laboren und computergestützten Methoden (einschließlich QML) bereits messbare Beschleunigungen bringt:

Virtuelles Screening in der Arzneimittelentdeckung. Klassische ML-Modelle (graphische neuronale Netze für molekulare Strukturen) durchsuchen Bibliotheken mit Dutzenden Millionen Verbindungen in Stunden statt Wochen. Kandidaten mit der höchsten vorhergesagten Affinität zum Ziel gelangen in einer Anzahl von einigen hundert, nicht mehreren tausend, ins Labor. Das ist eine reale Beschleunigung und reale Einsparungen bei Reagenzien. Die Ergebnisse von QML in diesem Bereich sind bisher mit klassischen Methoden vergleichbar, mit vielversprechenden Ausnahmen für Moleküle mit starker Quantenkorrelation (metallorganische Komplexe, enzymatische Kofaktoren).

Vorhersage von Materialeigenschaften. Modelle, die auf Datenbanken wie Materials Project trainiert wurden, sagen mechanische, elektrische und thermische Eigenschaften neuer Zusammensetzungen voraus, ohne dass eine Synthese durchgeführt werden muss. Autonome Labore schließen die Schleife: KI schlägt eine Zusammensetzung vor, der Roboter synthetisiert, der Sensor misst, das Ergebnis fließt zurück ins Modell. Ein Zyklus, der manuell Monate gedauert hätte, verkürzt sich auf Wochen oder Tage für gut definierte Suchräume.

Wichtiger Vorbehalt: Beide Szenarien funktionieren innerhalb der Grenzen des Trainingsbereichs des Modells. Extrapolationen außerhalb der Trainingsverteilung (neue Molekülklasse, neuer Materialtyp) erfordern besondere Vorsicht und eine verstärkte experimentelle Validierungsschicht.

Dies ist der Abschnitt, der in den meisten enthusiastischen Texten über autonome Labore fehlt.

Human-oversight in der wissenschaftlichen Forschung ist keine Bürokratie. Es ist ein Schutzmechanismus vor mehreren realen Risiken:

Verteilungsfehler (distribution shift). Ein Modell, das auf Literatur bis 2023 trainiert wurde, weiß nichts über Entdeckungen aus dem Jahr 2024. Ein Agent, der keinen Mechanismus zur Erkennung der Grenzen seines Wissens hat, wird Hypothesen mit falscher Sicherheit in Bereichen generieren, in denen die Trainingsdaten veraltet oder spärlich sind.

Fehlerakkumulation in der geschlossenen Schleife. Jede Iteration eines autonomen Systems kann Fehler aus der vorherigen Runde verstärken. Ohne Kontrollpunkt des Forschers führt ein Fehler bei der Definition der Erfolgsmetrik dazu, dass Hunderte von Zyklen das Falsche optimieren.

Wissenschaftliche Verantwortung. KI ist nicht der Autor einer Veröffentlichung. Der Forscher, der die Arbeit unterzeichnet, ist für jede Aussage verantwortlich, unabhängig vom verwendeten Werkzeug. Das ist keine Frage der Etikette. Es ist eine rechtliche und institutionelle Frage in jeder Jurisdiktion, in der die ICMJE-Richtlinien gelten.

Das Muster, das wir bei der Entwicklung von Agentensystemen für Kunden anwenden, lässt sich direkt auf die Forschungsumgebung übertragen:

Wissenschaft basiert auf Falsifizierbarkeit. Ein Modellergebnis, das nicht verstanden werden kann, ist schwer zu hinterfragen und schwer zu replizieren.

Explainability in Forschungssystemen hat zwei Dimensionen. Die erste ist die technische Erklärbarkeit: Welche Eingabemerkmale hat das Modell als wichtig erachtet, wie hoch waren die Sicherheitsschwellen, lagen die Eingabedaten innerhalb der Trainingsverteilung. Das ist heute umsetzbar (SHAP, saliency maps, uncertainty quantification).

Die zweite Dimension ist die Erklärbarkeit für Auditoren und Regulierungsbehörden. Der AI Act klassifiziert KI-Systeme, die in der Forschung eingesetzt werden und medizinische oder sicherheitsrelevante Entscheidungen beeinflussen, als Hochrisikosysteme. Dies erfordert die Führung technischer Dokumentation, die Registrierung des Systems in der EU AI Act Database und die Möglichkeit der Überprüfung durch Aufsichtsbehörden. Dies betrifft nicht nur die Hersteller von Tools, sondern auch Forschungseinrichtungen, die diese Tools in regulatorischen Prozessen einsetzen.

Praktische Ansätze, die wir in Forschungseinrichtungen beobachten, die diesen Weg gehen:

• Protokollierung jedes Modellaufrufs: Eingabe, Ausgabe, Modellversion, Zeitstempel. Das ist das Äquivalent zum Laborprotokoll für algorithmische Entscheidungen.
• Deklaration im Abschnitt Methods, welche Schritte durch KI unterstützt wurden und mit welchem System.
• Versionierung von Modellen und Trainingsdatensätzen wie Code-Versionierung: Git, Datumsstempel, Prüfsumme.

Observability eines Forschungssystems ist kein Overhead. Es ist eine Voraussetzung, ohne die Ergebnisse nicht replizierbar sind.

Nein, nicht im Sinne eines vollständigen Ersatzes. Automatisierung eliminiert repetitive, gut definierte Aufgaben: Pipettieren, Sequenzieren, Datenerfassung. Der Forscher gewinnt Zeit für Arbeit, die Interpretation, die Gestaltung neuer Fragen und die Bewertung der Glaubwürdigkeit von Ergebnissen erfordert. In Laboren, die frühzeitig Automatisierung eingeführt haben, beobachtet man eine Verschiebung der Rollen, keine Reduzierung der Beschäftigung: weniger pipettierende Techniker, mehr Dateningenieure und Ergebnisanalysten.

Der Konsens in der Fachwelt liegt bei den Jahren 2030–2035 für praktische Probleme jenseits von Quantensystem-Simulationen. Aktuelle NISQ-Prozessoren haben zu hohe Fehlerraten, um Schaltkreise mit ausreichender Tiefe für die meisten ML-Anwendungen auszuführen. Hybride quanten-klassische Ansätze liefern heute vielversprechende Ergebnisse für Moleküle mit starker Quantenkorrelation, sind aber noch kein praktischer Vorteil gegenüber den besten klassischen Methoden.

Systeme, die die Literaturrecherche oder die Vorauswahl von Hypothesen unterstützen, ohne direkten Einfluss auf Hochrisiko-Entscheidungen zu haben, unterliegen milderen Anforderungen. Systeme, die medizinische, pharmazeutische oder sicherheitsrelevante Entscheidungen beeinflussen, werden als Hochrisikosysteme eingestuft: Sie erfordern eine Konformitätsbewertung, Registrierung in der EU AI Act Database, technische Dokumentation und Überwachung nach der Implementierung. Mehr dazu in: AI Act und DSGVO 2026.

Nur, wenn das System mit Blick auf Reproduzierbarkeit entworfen wurde: deterministische Modellaufrufparameter (temperature = 0 oder gespeicherter Seed), Versionierung von Modell und Daten, Protokollierung jedes Aufrufs. Generative Modelle mit Standard-Zufälligkeit produzieren unterschiedliche Ergebnisse bei identischen Eingaben, was nicht mit wissenschaftlichen Standards vereinbar ist. Daher erfordern Forschungssysteme eine explizite Politik bezüglich des Zufallsseeds und der Archivierung von Aufrufen.

Die Kosten hängen stark vom Umfang ab. Die Automatisierung des Workflows (Pipettierroboter + ELN) in einem gut ausgestatteten Labor erfordert eine Investition von etwa 100–500.000 PLN und 3–6 Monate Integration. Ein System mit adaptiver Steuerung und Bayes’scher Optimierung erfordert zusätzlich Kompetenzen in Data Engineering und in der Regel 6–12 Monate Kalibrierung für einen spezifischen Prozess. Ein vollständig geschlossener Agent ist ein mehrjähriges Projekt mit Kosten im Millionenbereich und erfordert eine Partnerschaft mit einer erfahrenen Forschungsgruppe oder einem Technologieanbieter. Es gibt keine einheitliche Zahl, da die Implementierungsumfänge nicht vergleichbar sind.

Die Themen Datenverzerrung in der Forschung, die Rolle des Menschen in der Entscheidungsschleife und verantwortungsvolle technologische Innovation behandeln wir in verwandten Artikeln. Wenn Sie die Implementierung eines auf KI basierenden analytischen oder Forschungssystems planen, hilft Ihnen unser Bewertungstool für die Einsatzbereitschaft, architektonische Lücken zu identifizieren, bevor Sie mit dem Aufbau beginnen.