EPFL gibt der KI Zweifel – und spart 40 Prozent Experimente

Ein Team der EPFL hat einem Sprachmodell beigebracht, an sich selbst zu zweifeln – und damit die Suche nach guten Laborexperimenten beschleunigt. Die Methode heisst GOLLuM und stammt von Bojana Ranković und Philippe Schwaller vom Laboratory of Artificial Chemical Intelligence der EPFL, gemeinsam mit Ryan-Rhys Griffiths von der US-Firma QuantumGreen. Publiziert wurde sie am 28. August 2026 in Nature Machine Intelligence. Über 23 Benchmark-Aufgaben aus Chemie, Materialforschung und Molekül-Design erreicht GOLLuM laut der Studie das Ergebnis klassischer Verfahren mit über 40 Prozent weniger Experimenten.

Ein Labor kann nicht 10'000 Reaktionen durchprobieren

Am Computer lassen sich Millionen möglicher Moleküle und Reaktionsbedingungen durchspielen. Im Labor nachkochen kann man davon einen winzigen Bruchteil. Die Frage lautet deshalb nicht «was ist alles denkbar?», sondern «welches Experiment lohnt sich als nächstes?».

Genau dafür gibt es die Bayes'sche Optimierung: Ein Modell lernt aus den bisherigen Versuchen, sagt für jede noch nicht getestete Option ein Ergebnis voraus – und gibt an, wie sicher es sich dabei ist. Getestet wird dort, wo ein gutes Ergebnis winkt oder die Unsicherheit besonders gross ist.

Der Haken: Fachleute müssen jede Versuchsbedingung dafür erst in Zahlen übersetzen, sogenannte Deskriptoren. Diese Arbeit ist fachspezifisch – ein Modell, das für chemische Reaktionen taugt, funktioniert nicht automatisch für Materialdesign. Jedes neue Problem startet praktisch bei null.

Selbstsicher ist nicht dasselbe wie richtig

Sprachmodelle könnten diese Übersetzungsarbeit überflüssig machen: Sie haben breites wissenschaftliches Wissen intus und verstehen ein Experiment in normalem Englisch. Ihr Problem ist ein anderes – ein LLM formuliert jede Antwort mit demselben Brustton der Überzeugung, ob es die Sache weiss oder halluziniert.

Die EPFL-Lösung koppelt das Sprachmodell deshalb mit einem Gauss-Prozess, von der Hochschule salopp «Zweifel-Detektor» genannt. Das ist ein statistisches Modell, das zu jeder Vorhersage eine Fehlerbandbreite mitliefert – nicht nur «Ausbeute rund 70 Prozent», sondern «70 Prozent, plus/minus 15». Genau diese Bandbreite fehlt dem Sprachmodell.

«Sprachmodelle sind notorisch schlecht darin, zu wissen, wann sie falschliegen. In GOLLuM wird genau diese Unsicherheit zum Signal, das sie trainiert», sagt Bojana Ranković, die die Methode während ihrer Doktorarbeit an der EPFL entwickelt hat.

Der Clou: Das Sprachmodell wählt die Experimente nicht selbst aus, sondern wird mit den Bewertungen des Gauss-Prozesses trainiert. Dadurch ordnet es seine interne Landkarte des Suchraums neu – Bedingungen mit ähnlichem Ausgang rücken zusammen, unterschiedliche driften auseinander.

36,3 statt 29,7 Prozent Treffer

Getestet wurde auf 23 Aufgaben aus organischer Synthese, Prozesschemie, Materialien und Molekül-Design – jeder Lauf startend mit zehn absichtlich schlechten Ergebnissen und überall mit derselben Konfiguration, ohne Nachjustieren pro Problem.

Bei einem Budget von 50 Experimenten landeten laut EPFL 36,3 Prozent der getesteten Bedingungen in den besten fünf Prozent aller möglichen Ergebnisse. Die klassische Bayes'sche Optimierung mit expertengebauten Deskriptoren kam auf 29,7 Prozent. Auf der Buchwald–Hartwig-Kupplung, einer Standardreaktion der Pharmasynthese, verdoppelte GOLLuM die Trefferquote laut Paper nahezu: 43 Prozent gegenüber 24 bis 25 Prozent.

Wie wichtig der Zweifel-Detektor ist, zeigt der Gegentest. Liess man das Sprachmodell die Experimente direkt vorschlagen, schwankten die Fehlerraten zwischen 10 und rund 80 Prozent – mit erfundenen chemischen Strukturen, doppelt vorgeschlagenen Bedingungen und Vorschlägen ausserhalb des erlaubten Suchraums.

Vom Deskriptor-Workshop zum ersten Versuchstag

Für Forschungsgruppen ist der praktische Gewinn weniger die Prozentzahl als der Start. «Wir können Optimierungskampagnen ab dem ersten Tag starten, statt sechs Monate lang zu diskutieren, wie man Experimente am besten beschreibt und Deskriptoren berechnet», sagt Philippe Schwaller in der EPFL-Mitteilung.

Wichtig für die Einordnung: Alle Zahlen stammen aus Benchmarks auf bestehenden Datensätzen, nicht aus neuen Laborkampagnen. Und GOLLuM macht Sprachmodelle nicht ehrlicher – es umgeht ihre Selbstüberschätzung, indem ein zweites Modell die Unsicherheit übernimmt. Dasselbe Muster – KI als Werkzeug statt als Orakel – zeigte sich zuletzt bei einem Modell zum Replizieren von Studien und bei effizienteren Modellen aus der FHNW-Forschung.

Finanziert wurde die Arbeit vom Schweizerischen Nationalfonds über den Forschungsschwerpunkt NCCR Catalysis. Paper und Code sind frei zugänglich.