Autonomous Lab AI · Selbstfahrende Materialentdeckung

Ein Roboter arbeitet die ganze Nacht an einer Synthese, die von Anfang an zum Scheitern verurteilt war. Wir haben das deterministische Gate gebaut, das sie ablehnt, und den Audit-Trail, der belegt, warum.

Ein selbstfahrendes Labor scheitert nicht daran, dass sein Optimierer schwach ist. Es scheitert daran, dass ein Großteil der durchgeführten Experimente ab der ersten Zeile der Rezeptur chemisch unmöglich ist und im Nachhinein nichts davon belegbar ist. Auf diesem Benchmark erreicht unsere geschlossene Design-Make-Test-Analyze-Schleife eine strenge Spezifikation in 75 Experimenten, während ein Zufallsscreening rund 1.491 benötigt – während ein Digitaler-Zwilling-Sicherheits-Gate jede undurchführbare Synthese blockiert, bevor Reagenzien oder Roboterstunden aufgewendet werden, und jede Entscheidung in einem manipulationssicheren ALCOA+-Datensatz signiert. Agenten beraten, Code entscheidet.

$4.419

Durch das Digitaler-Zwilling-Gate vermiedene Reagenzienverschwendung: 38 zum Scheitern verurteilte Synthesen blockiert und 90,1 Roboterstunden eingespart

Benchmark-Durchlauf mit Seed 411, synthetische Zielfunktion

20× weniger

75 Experimente bis zu einem spezifikationskonformen Material gegenüber etwa 1.491 beim Zufallsscreening auf derselben verborgenen Zielfunktion

Benchmark-Durchlauf mit Seed 411, 19,9-mal weniger

113

Hash-verkettete ALCOA+-Datensätze, einer pro Entscheidung, manipulationssicher. Wird einer bearbeitet, bricht die Kette

Benchmark-Durchlauf mit Seed 411, 75 Synthesen plus 38 Blockierungen

Eine ausführbare Demo des Mechanismus bei einer 18-dimensionalen Suche nach bleifreien Perowskit-Zusammensetzungen und -Prozessen. Der Optimierer und das Sicherheits-Gate laufen vollständig in numpy und scipy ohne API-Schlüssel; die beiden Berater-Agenten sind der einzige Teil, der ein Modell aufrufen kann.

Der Großteil des Budgets eines selbstfahrenden Labors wird dafür aufgewendet, zu beweisen, was die Chemie bereits ausgeschlossen hat

Der Engpass ist nicht das Ersatzmodell. Es sind die zum Scheitern verurteilten Experimente, die das Modell niemals hätte vorschlagen dürfen, und die Tatsache, dass im Nachhinein nichts davon belegbar ist.

Das A-Lab von Berkeley berichtete über eine Erfolgsquote von 71 Prozent, was bedeutet, dass rund 29 Prozent seiner Versuche nicht das Zielmaterial ergaben (A-Lab, Nature, 2023). In einem Labor, das sich selbst steuert, ist dieser Fehlversuchsanteil nicht bloß verlorene Ausbeute. Es sind dosierte Reagenzien, gebuchte Roboterstunden und verbrauchte Gerätezeit für Synthesen, die unausgeglichene Ladungen aufwiesen, geometrisch instabil oder chemisch gefährlich waren, noch bevor der Roboter sich überhaupt in Bewegung setzte.

Der Suchraum verschärft dies noch. Ein Raum für Perowskit-Zusammensetzungen und -Prozesse dieser Größenordnung ist astronomisch viel größer als jedes Screening-Budget, sodass reines Screening keine Strategie ist, sondern eine Lotterie. Eine separate Machbarkeitsuntersuchung auf diesem Benchmark ergab eine zufällige Trefferquote von 0,01 Prozent, 8 Kandidaten von 80.000, was bedeutet, dass allein durch Screening voraussichtlich in der Größenordnung von 10.000 Experimenten nötig wären, um ein erstes Ziel zu erreichen. Eine bessere Akquisitionsfunktion hilft bei dieser Hälfte des Problems.

Für die andere Hälfte bewirkt sie nichts. Ein Eigenschaftsmodell, wie gut es auch sein mag, kann nicht entscheiden, ob eine Synthese sicher durchführbar ist, und kann keinen Datensatz erzeugen, den eine Aufsichtsbehörde oder Ihre eigene QA akzeptieren wird. Die Leitprinzipien von FDA und EMA für KI in der Arzneimittelentwicklung besagen ausdrücklich, dass die Provenienz zuordenbar und zeitnah sein muss (FDA/EMA, 2026). Machbarkeit und Auditierbarkeit sind genau die Bereiche, die das Modell nicht abdeckt, und sie sind die beiden Lücken, die wir schließen wollten.

Eine geschlossene Schleife macht Vorschläge; ein deterministisches Gate außerhalb der Agenten entscheidet, was ausgeführt werden darf

Ein Design-Make-Test-Analyze-Zyklus, Stufe für Stufe dargestellt. Die Machbarkeitsentscheidung liegt in reinem Code, niemals in einem Modell.

Die Schleife durchsucht einen 18-dimensionalen Raum bleifreier Perowskite: Cs-, MA- und FA-Kationenverhältnisse, Sn-, Ge- und Bi-B-Platz-Substitution, I-, Br- und Cl-Halogenidverhältnisse sowie Prozessvariablen. Ein Gauß-Prozess-Ersatzmodell mit einer zielgerichteten Akquisition im ParEGO-Stil schlägt den nächsten Kandidaten vor, kaltgestartet aus einer historischen Fixture mit 60 Datensätzen. Jeder Vorschlag durchläuft anschließend das Gate, bevor etwas synthetisiert wird, sodass das Gate – und nicht das Vertrauen des Optimierers – zwischen Rezeptur und Roboter steht.

GP-Ersatzmodell (Vorschlag) → Digitaler-Zwilling-Gate (durchführbar oder blockiert, reiner Code) → Synthese und Charakterisierung, nach SiLA-2-Muster (simuliert) → Analyse und Aktualisierung des Ersatzmodells → ALCOA+-Datensatz (hash-verkettet). Die Agenten Lab Director und Critic kommentieren und melden Abweichungen begleitend, ohne jemals zu entscheiden.

Der deterministische Vertrauenskern

Das Digitaler-Zwilling-Gate ist der Teil außerhalb jedes Sprachmodells. Jeder vorgeschlagene Kandidat wird anhand von fünf echten, publizierten Regeln der Chemie geprüft, bevor er ein Reagenz verbrauchen kann, und das Gate gibt durchführbar oder blockiert zurück, zusammen mit der exakt verletzten Regel sowie dem vermiedenen Reagenzienbudget und den eingesparten Roboterstunden. Es handelt sich um reinen numpy- und scipy-Code, der außerhalb der Agenten und des Ersatzmodells liegt und die tragende Entscheidung darstellt. Eine zum Scheitern verurteilte Rezeptur wird hier gestoppt – nicht erst entdeckt, nachdem der Roboter sie bereits ausgeführt hat.

Die Agenten, auf Beratung beschränkt

Auf dem Kern aufbauend lesen und kommunizieren zwei Agenten. Ein Lab Director kommentiert die Kampagnenstrategie, und ein Critic meldet unabhängig Abweichungen oder Stillstand – ein Prüfer in der Schleife. Sie sind über eine LLM_PROVIDER-Einstellung anbieterunabhängig austauschbar und standardmäßig auf claude-opus-4-8 eingestellt; ohne API-Schlüssel greifen sie auf eine deterministische Kommentierung zurück, sodass die Demo stets lauffähig ist. Der Optimierer und das Gate hängen zu keinem Zeitpunkt vom LLM ab. Agenten beraten, Code entscheidet.

Die fünf Machbarkeitsprüfungen, die das Gate durchsetzt

Prüfung Was erfasst wird Grundlage
Goldschmidt-Toleranzfaktor Zusammensetzung außerhalb des Perowskit-Bildungsfensters; das Gate verwendet ein Screening-Band von 0,78 bis 1,05. Perowskit-Kristallchemie
Oktaederfaktor Radienverhältnis außerhalb des Fensters stabiler Oktaeder von 0,41 bis 0,90. Perowskit-Kristallchemie
Ladungsneutralität Unkompensierte B-Platz-Ladung, beispielsweise durch Bi(III)-Substitution. Ionenladungsbilanz
Sn(II)-Oxidationsrisiko Sn(II), das in feuchter Luft oxidiert – unsicher und bei Prozessfeuchte zum Scheitern verurteilt. Zinnhalogenid-Stabilität
Zersetzungsobergrenze Tempern oberhalb der Temperatur, bei der MA- und FA-Kationen zerfallen, etwa 190 Grad Celsius. Thermische Stabilität der Vorläufer

Der dauerhafte Wert liegt im Sicherheits-Gate und im Audit-Trail, nicht in einem besseren Ersatzmodell. Selbst ein perfektes Eigenschaftsmodell kann nicht verhindern, dass eine Synthese mit unausgeglichener Ladung oder Oxidationsgefahr ausgeführt wird, und kann keinen Datensatz erzeugen, den eine Regulierungsbehörde akzeptiert. Der Optimierer ist eine austauschbare Komponente innerhalb dieser Steuerungsschicht, weshalb der Ansatz mit verbesserten Modellen nicht veraltet. Im Auslieferungszustand ist der Optimierer ein numpy- und scipy-GP mit zielgerichteter Akquisition; der produktive Austausch erfolgt gegen BoTorch und Ax.

Der Durchlauf auf dem Bildschirm

Jede unten aufgeführte Zahl stammt aus einer einzelnen deterministischen Benchmark-Kampagne (Seed 411), die zur Laufzeit live berechnet wird und nicht fest einprogrammiert ist. Die Zielfunktion ist ein physikalisch motivierter synthetischer Benchmark, keine echten DFT- oder Labordaten, und das Labor ist ein Simulator hinter einer Schnittstelle nach SiLA-2-Muster. Nichts davon wurde physisch synthetisiert.

Die Anzeigetafel: Was die Schleife aufgewendet und was sie eingespart hat

Die geschlossene Schleife erreicht die Zielspezifikation bei Experiment 75 und benötigt 19,9-mal weniger Experimente als die rund 1.491, die beim Zufallsscreening auf derselben verborgenen Zielfunktion zu erwarten wären. Daneben erfasst die Anzeigetafel die Zahlen, die mehr zählen als die Geschwindigkeit: 4.419 US-Dollar an vermiedener Reagenzienverschwendung, 90 eingesparte Roboterstunden und 38 undurchführbare Kandidaten, die vor der Synthese blockiert wurden, mit dem Spezifikationsstatus „Spezifikation erfüllt“. Die Effizienz ist real, doch die vermiedene Verschwendung und die Provenienz sind die Aspekte, die bei jeder Modellqualität Bestand haben.

Die Live-Anzeigetafel zeigt 75 durchgeführte Experimente (19,9-mal weniger als die rund 1.491 des Zufallsscreenings), 4.419 US-Dollar durch den digitalen Zwilling vermiedene Verschwendung, 90 eingesparte Roboterstunden, 38 vor der Synthese blockierte undurchführbare Kandidaten und den Spezifikationsstatus „Spezifikation erfüllt“ bei Experiment 75.
Die Anzeigetafel: 75 Experimente, 19,9-mal weniger als Zufallsscreening, 4.419 $ und 90 Roboterstunden eingespart, 38 undurchführbare blockiert, Spezifikation erfüllt bei Experiment 75.

Das Alleinstellungsmerkmal: Eine zum Scheitern verurteilte Rezeptur gestoppt, bevor sie den Roboter erreichte

Hier ist eine Blockierung im Detail: Ein vorgeschlagener Kandidat weist bei Prozessfeuchte ein Sn(II)-Oxidationsrisiko auf, und seine vorhergesagte Bandlücke, Phasenstabilität und Zersetzung liegen allesamt außerhalb des Zielbereichs. Das Gate verweigert ihn vor der Synthese, spart 105 US-Dollar an Reagenzien und 2,33 Roboterstunden ein und protokolliert die Ablehnung als hash-verketteten ALCOA+-Datensatz. Der Optimierer verschwendet keine einzige Roboterstunde darauf herauszufinden, was die deterministische Chemie bereits wusste.

Detailansicht eines blockierten Kandidaten mit dem Hinweis „Vor der Synthese blockiert“, vorhergesagter Bandlücke, Phasenstabilität und Zersetzung allesamt als außerhalb des Ziels markiert, einem Sn(II)-Oxidationsrisiko bei Prozessfeuchte als Grund, 105 US-Dollar an Reagenzien und 2,33 Roboterstunden eingespart sowie einem hash-verketteten ALCOA+-Beleg für Datensatz 111.
Eine einzelne Blockierung: Vorhergesagte Eigenschaften außerhalb des Ziels, Sn(II)-Oxidationsrisiko benannt und 105 $ sowie 2,33 Roboterstunden vor der Synthese eingespart.

Achtunddreißig Blockierungen, jede mit Angabe der chemischen Ursache

Die einzelne Blockierung ist kein Zufallstreffer, sie ist das Muster. Während des gesamten Durchlaufs blockierte das Gate 38 undurchführbare Kandidaten vor der Synthese, und jeder einzelne benennt die verletzte Physik – Sn(II)-Oxidationsrisiko, verletzte Ladungsneutralität durch einen unkompensierten B-Platz oder Goldschmidt-Toleranz außerhalb des Bildungsfensters – zusammen mit den eingesparten Dollar und Roboterstunden. Die Blockierungen summieren sich auf 4.419 US-Dollar und 90 Roboterstunden an vermiedener Verschwendung, und es wurden null undurchführbare Synthesen ausgeführt.

Die vollständige Liste der durch den digitalen Zwilling blockierten Kandidaten zeigt 38 vor der Synthese erfasste undurchführbare Kandidaten; jede Zeile benennt ihre Verletzung wie Sn(II)-Oxidationsrisiko, verletzte Ladungsneutralität oder Goldschmidt-Toleranz außerhalb des Bildungsfensters, mit den pro Kandidat eingesparten Dollar und Roboterstunden sowie insgesamt 4.419 Dollar und 90 Roboterstunden an vermiedener Verschwendung.
Alle 38 Blockierungen, jede mit ihrer benannten chemischen Verletzung sowie dem eingesparten Reagenzienbudget und den Roboterstunden – keine einzige davon wurde jemals synthetisiert.

Die Schleife steuert in das Zielspezifikationsfenster

Die Entdeckungskarte stellt jedes von der Schleife in der Simulation synthetisierte Material im Raum aus Bandlücke und Phasenstabilität dar, farblich codiert nach Zersetzungstemperatur, wobei ein gestrichelter Kasten das Zielfenster markiert: eine Bandlücke von 1,2 bis 1,5 eV bei hoher Stabilität. Frühe Punkte streuen; spätere Punkte häufen sich in Richtung des Kastens, während das Ersatzmodell lernt, und das beste Material landet darin. Hier erledigt der Optimierer seine Aufgabe – jedoch ausschließlich bei den Kandidaten, die das Gate durchgelassen hat.

Die Entdeckungskarte, ein Streudiagramm synthetisierter Materialien mit der Bandlücke auf der x-Achse und der Phasenstabilität auf der y-Achse, farblich gekennzeichnet nach Zersetzungstemperatur, mit einem gestrichelten Zielspezifikationskasten im oberen linken Bereich und dem besten Material als hellem Punkt innerhalb dieses Zielfensters.
Bandlücke versus Phasenstabilität: Synthetisierte Punkte steuern auf den gestrichelten Zielkasten zu, wobei das beste Material darin landet.

Das spezifikationskonforme Material bei Experiment 75

Das beste gefundene Material erfüllt jede Spezifikation: Zusammensetzung (Cs0.46MA0.22FA0.31)(Sn0.69Ge0.31)(I0.73Br0.21Cl0.06)3 mit einer Bandlücke von 1,43 eV, einem Phasenstabilitätswert von 0,743 und einer Zersetzungstemperatur von 250,5 Grad Celsius. Um den Umfang klar einzugrenzen: Dies ist das Ergebnis einer physikalisch motivierten synthetischen Zielfunktion, kein von jemandem hergestelltes Material. Es ist der Beweis, dass die Schleife konvergiert, kein Anspruch auf eine reale Entdeckung.

Das Anzeigefeld des besten gefundenen Materials mit der Kennzeichnung „Erfüllt jede Spezifikation“, das die Zusammensetzung (Cs0.46MA0.22FA0.31)(Sn0.69Ge0.31)(I0.73Br0.21Cl0.06)3 mit einer Bandlücke von 1,43 eV, einem Phasenstabilitätswert von 0,743 und einer Zersetzungstemperatur von 250,5 Grad Celsius zeigt.
Die spezifikationskonforme Zusammensetzung bei Experiment 75 aus einer synthetischen Zielfunktion: Bandlücke 1,43 eV, Stabilität 0,743, Zersetzung 250,5 Grad Celsius.

Der Beleg: 113 Datensätze, Kette intakt

Jede Entscheidung, sowohl die 75 Synthesen als auch die 38 Blockierungen, wird in ein rein anfügbares Protokoll geschrieben – 113 insgesamt – und als Kampagnen-Provenienzbericht exportiert, der den ALCOA+-Prinzipien zugeordnet ist. Jede Zeile enthält ihren Zeitstempel, die Aktion, den Kandidaten, das Gate-Urteil, Verletzungen, die Begründung und einen SHA-256-Hash, der sie mit dem vorherigen Datensatz verkettet. Der Bericht lautet „Kette intakt“ und „manipulationssicher“, was genau der zuordenbaren und zeitnahen Provenienz entspricht, die ein reguliertes Labor einreichen muss.

Der exportierte, ALCOA+ zugeordnete Kampagnen-Provenienzbericht mit der Überschrift „Kampagne SDL-411“ mit 113 Datensätzen und dem Status „Kette intakt, manipulationssicher“, der eine Entscheidungstabelle mit Spalten für Zeitstempel, Aktion (Blockierung oder Vorschlag-und-Synthese), Kandidat, Gate-Urteil, Verletzungen, Begründung und einen Hash zur Verkettung jeder Zeile mit der vorherigen anzeigt.
Der exportierte ALCOA+-Bericht: 113 hash-verkettete Datensätze, Kette intakt, eine Zeile pro autonomer Entscheidung einschließlich jeder Blockierung.

Der Manipulationstest: Wird ein Datensatz bearbeitet, bricht die Kette sichtbar

Manipulationssicherheit ist nur dann erwähnenswert, wenn man ihr Auslösen beobachten kann. Bearbeitet man eine einzelne Nutzlast im exportierten Audit, meldet der Prüfer, dass die Kette bei diesem Datensatz unterbrochen ist, Manipulation erkannt wurde und das eingereichte Audit nachweislich verändert ist. Es geht nicht darum, dass der Datensatz nicht verändert werden kann, sondern darum, dass eine Änderung nicht verborgen werden kann – und genau das macht den Audit-Trail beweiskräftig.

Das ALCOA+-Provenienzfeld nach dem Manipulationstest mit einer roten Warnung, dass die Kette bei Datensatz 2 unterbrochen ist, Manipulation erkannt wurde und das eingereichte Audit nachweislich verändert ist, neben dem Badge für 113 Datensätze und den Export-Bedienelementen.
Der Manipulationstest: Nachdem ein Datensatz bearbeitet wurde, bricht die Kette bei diesem Datensatz und das veränderte Audit wird als nachweislich manipuliert gekennzeichnet.

Wo diese Schicht ansetzt und wo nicht

Sie ist das Gehirn, das Sicherheits-Gate und die Provenienzschicht auf Ihrer bestehenden Hardware – kein gehostetes Labor und kein Ersatz für Ihre Geräte oder DFT.

Anliegen Ein Eigenschaftsmodell oder Optimierer allein Diese Schicht
Chemisch unmögliche Vorschläge Synthetisiert, dann als Fehlschläge gewertet Vor dem Einsatz von Reagenzien durch ein deterministisches Gate blockiert
Warum ein Kandidat abgelehnt wurde Im Verlustwert vergraben, falls überhaupt erfasst Anhand von fünf publizierten Regeln der Chemie benannt, mit eingesparten Dollar und Stunden
Provenienz einer automatisierten Entscheidung Ad-hoc-Protokolle, editierbar Rein anfügbarer, hash-verketteter ALCOA+-Datensatz, manipulationssicher
Wer die Sicherheitsentscheidung trifft Ein LLM oder die eigene Konfidenz des Optimierers Reiner, deterministischer Code außerhalb der Agenten
Stichprobeneffizienz Variiert mit der Akquisitionsfunktion 75 gegenüber etwa 1.491 Experimenten bis zur Spezifikation auf der verborgenen Zielfunktion dieses Benchmarks
Hardware- und Modell-Lock-in Häufig ein gehosteter Stack Läuft auf Ihren Geräten über eine Schnittstelle nach SiLA-2-Muster, LLM-Anbieter austauschbar

Was diese Demo nicht leistet

  • Die Zielfunktion, der entdeckte Perowskit und jeder Eigenschaftswert sind ein physikalisch motivierter synthetischer Benchmark, keine echte DFT, kein Abruf aus dem Materials Project oder Labordaten. Nichts wurde physisch synthetisiert; das Labor ist ein Simulator hinter einer Schnittstelle nach SiLA-2-Muster.
  • Die 20-mal weniger Experimente, die Entdeckung in 75 Experimenten und die 4.419 eingesparten US-Dollar sind die Zahlen dieses Benchmarks auf einer verborgenen synthetischen Zielfunktion, keine Open-World-Garantie. Bei einem Benchmark mit 10 Seeds löste die Schleife 9 von 10 Durchläufen, nicht 10 von 10, und die Schleife selbst fängt etwa 10 bis 15 Prozent Robotikausfälle ab.
  • Die ALCOA+-Provenienz ist vorhanden und zugeordnet, jedoch nicht nach IQ, OQ oder PQ anhand Ihrer SOP validiert. Diese Qualifizierung ist Gegenstand des Projekts, kein Anspruch an dieser Stelle.
  • Es gibt keine echten Gerätetreiber, kein echtes DFT- oder CGCNN-Ersatzmodell und keine Mehrgeräte-Ablaufplanung. Diese sind zurückgestellt.
  • Im Auslieferungszustand ist der Optimierer ein numpy- und scipy-GP mit zielgerichteter Akquisition. BoTorch und Ax sind der produktive Ersatz, nicht die Demo-Engine.
  • Wir betreiben kein gehostetes Roboterlabor und klonen keinen bestehenden Anbieter für selbstfahrende Labore. Die Schicht ist dafür konzipiert, auf Hardware aufzusetzen, die Sie bereits besitzen.
  • Es gibt keine echten Kunden, namentlich genannten Labore, Erfahrungsberichte oder behaupteten ROI. Der ehrliche Rahmen ist das, was wir bei der Erstellung dieser Demo festgestellt haben.

Fragen, die Einkäufer stellen

Wir haben die Roboter und ein ELN bereits angeschafft. Was fügt eine Schicht für autonome Labore tatsächlich hinzu?

Die Schicht ist das Gehirn, das Sicherheits-Gate und das Provenienzprotokoll, die auf Hardware aufsetzen, die Sie bereits besitzen. Die geschlossene Schleife entscheidet, was als Nächstes ausgeführt wird, und erreicht eine strenge Spezifikation in weitaus weniger Experimenten, ein deterministisches Digitaler-Zwilling-Gate weist chemisch unmögliche oder gefährliche Synthesen ab, bevor sie Reagenzien und Roboterstunden verbrauchen, und jede Entscheidung wird in einem manipulationssicheren Audit-Trail protokolliert. Auf diesem Benchmark blockierte das Gate 38 zum Scheitern verurteilte Synthesen, sparte 4.419 US-Dollar sowie 90,1 Roboterstunden ein, und es gelangten null undurchführbare Experimente an den Roboter.

Ist dies eine echte Entdeckung? Haben Sie diesen Perowskit tatsächlich synthetisiert?

Nein, und wir stellen das ausdrücklich klar. Die Zielfunktion ist ein physikalisch motivierter synthetischer Benchmark, keine echten DFT- oder Labordaten, und das Labor ist ein Simulator hinter einer Schnittstelle nach SiLA-2-Muster, sodass hier nichts physisch hergestellt wurde. Was die Demo beweist, ist der Mechanismus, die Schleife, das deterministische Sicherheits-Gate und die auditierbare Provenienz, die bei jeder Modellqualität Bestand haben. Die entdeckte Zusammensetzung und ihre Eigenschaftswerte sind Benchmark-Ergebnisse, kein experimentelles Resultat.

Wie unterscheidet sich ein Digitaler-Zwilling-Gate von den Einschränkungen, die bereits in unserem bayesschen Optimierer enthalten sind?

Die Einschränkungen eines Optimierers liegen innerhalb desselben Modells, das versucht, das Ziel zu erreichen, und sie sind nur so vertrauenswürdig wie die Selbsteinschätzung dieses Modells. Unser Gate ist separater, deterministischer Code, der außerhalb der Agenten und des Ersatzmodells läuft und jeden Vorschlag anhand von fünf publizierten Regeln der Chemie prüft: Goldschmidt-Toleranz, Oktaederfaktor, Ladungsneutralität, Sn(II)-Feuchtigkeitsoxidation und die Zersetzungsobergrenze organischer Vorläufer. Es gibt durchführbar oder blockiert zurück, zusammen mit der exakt verletzten Regel sowie den eingesparten Dollar und Roboterstunden, sodass eine zum Scheitern verurteilte Rezeptur gestoppt wird, noch bevor der Roboter sie zu Gesicht bekommt.

Sie setzen LLM-Agenten in einem Labor ein. Woher weiß ich, dass eine Halluzination kein fehlerhaftes Experiment startet?

Weil die Agenten niemals die Entscheidung treffen. Die Agenten Lab Director und Critic kommentieren lediglich die Strategie und weisen auf Abweichungen hin, während der Optimierer und das deterministische Gate entscheiden, was ausgeführt wird – und keines von beiden hängt vom LLM ab. Ohne API-Schlüssel greifen die Agenten auf eine deterministische Kommentierung zurück und die Schleife läuft dennoch völlig identisch. Diese Trennung – Agenten beraten, Code entscheidet – ist der entscheidende Punkt: Vertrauen in ein selbstfahrendes Labor kann nicht auf der Selbstdarstellung eines Modells beruhen.

Unser Audit-Trail muss FDA, EMA und unsere QA zufriedenstellen. Ist dies GxP-validiert?

Die Provenienz ist vorhanden und an ALCOA+-Prinzipien ausgerichtet: Jede Entscheidung schreibt einen rein anfügbaren, hash-verketteten Datensatz, und das Bearbeiten eines beliebigen Datensatzes unterbricht die Kette sichtbar – was genau der zuordenbaren, zeitnahen Provenienz entspricht, die die FDA- und EMA-Leitprinzipien fordern (FDA/EMA, 2026). Es ist nicht nach IQ, OQ oder PQ anhand Ihrer SOP validiert; diese Qualifizierung ist Gegenstand des Projekts und nichts, was wir standardmäßig beanspruchen. Die Demo zeigt den Datensatz und den Manipulationstest, damit Sie die Substanz statt eines bloßen Kontrollkästchens beurteilen können.

Ist diese Zahl von 20-mal weniger Experimenten handverlesen?

Es ist ein einzelner deterministischer Durchlauf, Seed 411: 75 Experimente bis zu einem spezifikationskonformen Material gegenüber etwa 1.491, die beim Zufallsscreening auf derselben verborgenen Zielfunktion zu erwarten wären, was 19,9-mal weniger entspricht. Über einen Benchmark mit 10 Seeds hinweg benötigte die Schleife durchschnittlich 67 Experimente und löste 9 von 10 Durchläufen, während das Zufallsscreening 1 von 5 innerhalb von 1.000 löste und ein Gittersuchlauf die Spezifikation nie erreichte. Der Geltungsbereich ist wichtig: Dies sind Vergleichszahlen zwischen Optimierer und Baseline auf einer synthetischen Zielfunktion, ermittelt anhand reproduzierbarer Baselines statt eines Scheinarguments, kein Open-World-Versprechen.

Bindet uns dies an Ihre Modelle, Ihre Cloud oder ein gehostetes Labor?

Nein. Wir betreiben kein gehostetes Roboterlabor, und die Schicht ist dafür ausgelegt, über eine Schnittstelle nach SiLA-2-Muster auf Ihren Geräten aufzusetzen. Der Optimierer und das Gate bestehen aus reinem numpy und scipy und laufen vollständig offline ohne API-Schlüssel, und der LLM-Anbieter ist austauschbar (Standard: claude-opus-4-8). Im Auslieferungszustand ist der Optimierer ein GP mit zielgerichteter Akquisition, und der produktive Austausch erfolgt gegen BoTorch und Ax – auf Ihrer Hardware, nicht auf unserer.

Technische Forschung

Die Forschung hinter dieser Demo – die Architektur, das Verifikationsdesign und der Unternehmens-Blueprint.

Gesamtlösung

Erkunden Sie die Autonomous Lab AI-Lösung →

Setzen Sie das Sicherheits-Gate und den Audit-Trail dort ein, wo die Autonomie tatsächlich Vertrauen gewinnt

Erreichen Sie die Spezifikation in weniger Experimenten, blockieren Sie zum Scheitern verurteilte Versuche vorab und belegen Sie jede Entscheidung im Nachhinein.

Wenn Ihr Team ein selbstfahrendes Labor aufbaut und nach Wegen sucht, die Machbarkeitsentscheidung vertrauenswürdig und die Provenienz belegbar zu gestalten, würden wir uns sehr über einen Austausch zu Ihren Überlegungen freuen. Das Problem betrifft die gesamte Branche, und das werden auch die Antworten tun.

Reifegradbewertung für autonome Labore

  • ✓ Erfassen Sie, wo sich zum Scheitern verurteilte Synthesen und Fehlversuche in Ihrem Workflow häufen
  • ✓ Kodieren Sie Ihre Machbarkeits- und Sicherheitsregeln als deterministisches Gate
  • ✓ Definieren Sie die ALCOA+-Provenienz, die Ihre QA und Aufsichtsbehörden akzeptieren werden
  • ✓ Stecken Sie das Ziel der geschlossenen Schleife anhand reproduzierbarer Baselines ab

Gemeinsam mit uns entwickeln

  • ✓ Ein GP- oder BoTorch- und Ax-Optimierer mit zielgerichteter Akquisition
  • ✓ Ein deterministisches Digitaler-Zwilling-Gate, das außerhalb der Agenten läuft
  • ✓ Ein hash-verketteter, manipulationssicherer ALCOA+-Audit-Trail
  • ✓ Eine Schnittstelle nach SiLA-2-Muster zu Ihren bestehenden Geräten ohne Lock-in
Über WhatsApp verbinden E-Mail an unser Team
Social

Auch veröffentlicht auf

LinkedIn · UnternehmenLinkedIn · GründerYouTubeMediumInstagramFacebookX
WhatsApp
Sofort chatten
Termin buchen
Planung über Calendly
E-Mail
[email protected]