Zum Inhalt springen
CNTR LogoMonitor2025
    Trends · Chemie

    Autonome Laboratorien

    Autonome Laboratorien stellen eine neue Technologie dar, die künstliche Intelligenz, Chemie und Robotik mit dem Ziel integriert, experimentelle Laborarbeit zu automatisieren, um sie schneller und reproduzierbarer zu machen und um – potenziell – ohne direktes menschliches Eingreifen arbeiten zu können. Obwohl in den letzten Jahren sowohl in der akademischen Forschung als auch in der Industrie bedeutende Fortschritte erzielt wurden, sind autonome Labore immer noch eine neue Technologie. Dennoch ist bereits jetzt klar, dass ein umfassender Steuerungsrahmen für autonome Labore unerlässlich ist. Dieser sollte strukturierte Bildungsinitiativen, eine institutionalisierte Zusammenarbeit mit internationalen Institutionen (z. B. der OVCW) und die Ausweitung bestehender Rechtsinstrumente umfassen, um die Anwendung von KI in für die chemische Sicherheit relevanten Bereichen ausdrücklich zu regeln. Außerdem sollte Zugang zu diesen Systemen nur Fachleuten mit umfassender Begründung gewährt werden.

    Das Konzept der autonomen Labore (SDLs) beruht auf der Verzahnung künstlicher Intelligenz mit Chemie-Software, Robotersystemen und Laborautomatisierungsplattformen. Autonome Labore arbeiten in einem „geschlossenen Kreislauf“, in dem die KI, geleitet von benutzerdefinierten Algorithmen, autonom Experimente entwirft und plant, die dann von robotergestützt automatisierten Laborsystemen ausgeführt werden. Nach jedem Experiment werden die Ergebnisse analysiert, und das System nutzt die daraus resultierenden Daten, um zukünftige Experimente zu optimieren und so den Informationsgewinn zu maximieren, während die Anzahl der erforderlichen Schritte und Versuche minimiert wird.

    Die Prinzipien, die autonomen Laboren zugrunde liegen, wurden Mitte des 20. Jahrhunderts mit der Automatisierung einfacher Laboraufgaben wie der Probenvorbereitung und der Datenanalyse entwickelt.1 Nach T. L. Isenhours Vorschlag aus dem Jahr 1985, KI zur Planung von Roboterexperimenten einzusetzen,2 hat sich die Integration von Laborrobotern mit komplexeren Algorithmen des maschinellen Lernens (ML) rasch weiterentwickelt und eine Plattform geschaffen, die in den 2000er-Jahren zur Entwicklung autonomer Labore führte.

    Obwohl die Einbindung von autonomen Laboren in die chemische Industrie und Forschung noch keine Routine ist, steht zu erwarten, dass diese Technologie schnell wachsen und sich weiterentwickeln wird. Die Implementierung von autonomen Laboren wird wahrscheinlich zu erheblichen Fortschritten bei der Geschwindigkeit der Aufgabenerledigung, der Prozessoptimierung und der wissenschaftlichen Entdeckung führen. In jüngster Zeit haben zahlreiche Forschungsgruppen bereits verschiedene Arten autonomer Labore beschrieben.3 Diese Technologie ist jedoch nicht ohne Risiko, falls sie missbraucht wird.

    Arbeitsabläufe in autonomen Laboren

    Die wichtigsten Prozesse, die den Arbeitsablauf eines autonomen Labors ausmachen, werden im Folgenden beschrieben. Zu jedem Schritt ist ein praktisches Beispiel dargestellt (blau und kursiv beschrieben), um das Verständnis des gesamten Prozesses zu erleichtern:

    Menschliche Aufforderung („Prompt“): Die Forschenden beschreiben die auszuführende Aufgabe in einer klaren und präzisen Weise.

    Entwirf und synthetisiere ein neues Molekül A, das eine rote Farbe hat und nach Rosen riecht.

    1. Planung. Das mit Chemiewerkzeugen ausgestattete KI-System ist für die Durchführung dieses ersten Schritts verantwortlich. Die KI führt eine bibliographische Suche nach chemischen Verbindungen durch, die den vorgegebenen Anforderungen entsprechen, und schlägt eine chemische Struktur vor, die diese Anforderungen mutmaßlich erfüllen wird. Als nächstes plant sie einen Syntheseweg, um zur gewünschten Verbindung zu gelangen. In diesem Schritt wird das Molekül in der Regel einer Kontrollprüfung unterzogen, um zu bestätigen, dass die Substanz nicht explosiv ist und keinen chemischen Kampfstoff darstellt.

    Die KI sucht nach bereits veröffentlichten Molekülen, die eine rote Farbe aufweisen und nach Rosen riechen. Auf der Grundlage dieser bereits bekannten Strukturen schlägt sie ein neues Molekül A vor, das die gewünschten Eigenschaften erfüllen soll. Das System bietet dann einen möglichen Syntheseweg, um Molekül A zu erhalten.

    2. Umsetzung. Das KI-System arbeitet mit der physischen Welt zusammen, indem es Syntheseanweisungen an ein automatisiertes chemisches Labor übermittelt, das diese durch eine Reihe von Roboteroperationen umsetzt. Im Idealfall ist das autonome Labor mit den erforderlichen Chemikalien und Verbrauchsmaterialien bestückt; bestimmte Materialien müssen jedoch möglicherweise noch manuell von einem menschlichen Bedienenden eingespeist werden, d. h. der Prozess ist noch nicht vollständig autonom. Die robotergestützten Verfahren können Aufgaben wie das Wiegen von Vorproduktverbindungen, die Durchführung von Synthesereaktionen und die Implementierung von Trennungs-, Reinigungs- und Charakterisierungsschritten umfassen.

    Die KI informiert das automatisierte Labor über den gewählten Weg zur Synthese von A. Die Robotersysteme führen die Reaktionsschritte aus, um das Produkt zu erhalten: Sie wiegen die Reagenzien ab und lösen sie in dem gewählten Lösungsmittel auf, führen die Reaktion durch und reinigen schließlich die Verbindung A von Verunreinigungen und Nebenprodukten. Schließlich wird mittels Absorptionsspektroskopie im sichtbaren Spektrum geprüft, ob Verbindung A rot ist, und mit Hilfe einer „elektronischen Nase“ (maschineller Geruchssinn) kontrolliert, ob das Produkt nach Rosen riecht.

    Die Abbildung zeigt den im Text beschriebenen Ablauf vom menschlichen Prompt hin zu den autonomen Arbeitsabläufen im Labor: Von der Planung (1) zu Umsetzung (2) zur Auswertung (3) und dann in einem Zirkelschluss für die Optimierung des Ablaufs wieder zur Planung (1).

    3. Auswertung. Die KI analysiert, ob die nach dem Aktionsprozess erzielten Ergebnisse der vom Menschen eingegebenen Aufforderung entsprechen. Wenn die Antwort ja lautet, ist das Experiment beendet. Wenn die Antwort nein lautet, wird der Prozess mit einem neuen Planungszyklus wiederholt, wobei die Erkenntnisse aus dem ersten Zyklus einfließen, um die Optimierung zu verstärken.

    Die durch sichtbare Absorptionsspektroskopie und maschinellen Geruchssinn erzielten Ergebnisse werden analysiert. Es wird geprüft, ob Verbindung A wirklich rot ist und nach Rosen riecht. In diesem Fall ist das Experiment beendet. Andernfalls wird der Planungsprozess wiederholt, um ein anderes Molekül zu synthetisieren, dessen chemische Struktur den gewünschten Eigenschaften besser entspricht.

    Autonome Laboratorien: Entfesselte Anwendungen

    Entwurf und Installation von autonomen Laboren sind weltweit im Gange, was darauf hindeutet, dass sich diese neue Technologie durchsetzen wird. Daher haben Chemiker*innen begonnen, diese Fortschritte zu nutzen und ihre Arbeitsabläufe so anzupassen, dass sie die Vorteile autonomer Labore voll ausschöpfen können. Dazu gehört die Möglichkeit, chemische Aufgaben ohne menschliches Eingreifen automatisiert durchzuführen – besonders wertvoll bei der Arbeit mit toxischen Substanzen –, was experimentelle Prozesse beschleunigt und Reaktionsbedingungen optimiert.

    Im Jahr 2024 veröffentlichten Gary Tom et al. einen Überblick über den aktuellen Stand der SDL-Technologie, ihre Anwendungen in verschiedenen wissenschaftlichen Disziplinen und ihre möglichen Auswirkungen auf Forschung und Industrie.4 Im Folgenden werden einige der wichtigsten Anwendungen vorgestellt.

    Analytische Prozessoptimierung. In den letzten fünfzig Jahren wurden nach und nach Techniken zur Automatisierung der Probenvorbereitung entwickelt. Im späten 20. Jahrhundert kamen fortschrittlichere Systeme mit Roboterarmen und Flow-basierter Automatisierung auf.5 Trenn- und Reinigungsprozesse wie die Gas- und Flüssigkeitschromatographie wurden seitdem durch den Einsatz von autonomen Laboren optimiert.6 Darüber hinaus wurden autonome Labore zur Verbesserung anderer Prozesse eingesetzt, darunter Flüssig-Flüssig-Extraktion7 und pH-Anpassung.8 Durch maschinelles Lernen gesteuerte Röntgenbeugungstechniken (eine Analysetechnik zur Bestimmung der atomaren und molekularen Struktur kristalliner Materialien) haben die Materialcharakterisierung ebenfalls erheblich verbessert und eine effizientere In-situ-Analyse ermöglicht.9

    Reaktionsoptimierung. Die Anwendung von künstlicher Intelligenz und autonomen Laboren zur Reaktionsoptimierung hat aufgrund der Fortschritte bei der Digitalisierung, der Rechenleistung und der Verfügbarkeit von Spezialsoftware ein erhebliches Wachstum erfahren. Diese Technologien wurden bereits erfolgreich bei einer Vielzahl von Reaktionstypen eingesetzt, u. a. bei der Elektrokatalyse (Erhöhung der Geschwindigkeit elektrochemischer Reaktionen durch den Einsatz eines Katalysators),10 der Organokatalyse (Beschleunigung chemischer Reaktionen durch den Einsatz spezifischer organischer Moleküle als Katalysatoren)11 und der Abfallverwertung (Umwandlung von Abfallstoffen in wertvolle Produkte).12 Es ist jedoch wichtig zu erkennen, dass die Skalierbarkeit eine zentrale Herausforderung bleibt und bei der Entwicklung autonomer Labore für diese Anwendung sorgfältig berücksichtigt werden muss.

    Wirkstoffsuche. Die Entdeckung von Wirkstoffen für Medikamente ist einer der wichtigsten Innovationsmotoren in der chemischen Industrie. Autonome Labore sind eine vielversprechende Technologie, die das Potenzial hat, Engstellen im Prozess zu überwinden und menschliche Eingriffe bei der Entdeckung neuer Medikamente zu reduzieren. Bislang haben autonome Labore bewiesen, dass sie einzelne Phasen der Pipeline zur Entdeckung kleiner Moleküle optimieren können. Zu den frühen Beispielen gehören die Roboter Adam und Eve, die entwickelt wurden, um Wirkstoffziele zu identifizieren und die Arzneimittelentdeckung auf kosteneffizientere Weise zu unterstützen.13 Jüngere Fortschritte haben zu neueren SDL-Systemen geführt, die verschiedene Aspekte des Wirkstoffentdeckungsprozesses automatisieren und beschleunigen können.14

    Materialien. Autonome Labore haben bedeutende Fortschritte im Bereich struktureller Materialien ermöglicht, wie z. B. die selbsttätige Entdeckung funktioneller anorganischer Verbindungen.15 Die Anwendungen wurden auch auf optoelektronische Materialien ausgeweitet, z. B. bei der selbständigen Entdeckung und Optimierung von Perowskiten (photoaktiven Materialien mit Anwendungen in optoelektronischen Geräten, wie z. B. Solarzellen).16 Festzuhalten ist, dass autonome Labore auch zu Fortschritten bei Energiespeichermaterialien beigetragen haben, wie z. B. bei der Entwicklung von Dünnschichten für Festoxidbrennstoffzellen.17 Einige Forschende haben jedoch festgestellt, dass die aktuellen SDL-Systeme noch immer ihre Grenzen haben; insbesondere können sie bereits bekannte Verbindungen fälschlicherweise als neuartige Materialien einstufen.18 Dies unterstreicht die Notwendigkeit einer weiteren Verfeinerung der Dateninterpretation und der Validierungsprozesse innerhalb der SDL-Arbeitsabläufe.

    Um einige konkrete Beispiele zu nennen: Mehrere Forschungszentren in Deutschland widmen sich bereits der Entwicklung neuer KI-basierter Technologien und Infrastrukturen in Zusammenarbeit mit der Industrie. Bemerkenswerte Beispiele sind das Materials Center am Karlsruher Institut für Technologie (KIT)19 und die Bundesanstalt für Materialforschung und -prüfung (BAM).20 Auf internationaler Ebene hat IBM ein Projekt namens RoboRXN entwickelt – eine Technologie, die anhand von Daten aus der wissenschaftlichen Literatur und Labornotizen praktikable Retrosynthesewege für die Molekülherstellung vorschlägt.21 Anschließend übersetzt sie diese Schritte in maschinenlesbare Anweisungen, die an Automatisierungshardware gesendet werden, um die Synthese des Zielmoleküls durchzuführen. Auch das Unternehmen Merck KGaA arbeitet derzeit an KI-gesteuerten Versuchsplanern und autonomen Laboren.22

    Chancen und Risiken

    In Anlehnung an die frühere Analyse im Kapitel „KI-Entwicklungen in der Chemie“ ist festzustellen, dass die Einführung autonomer Labore Möglichkeiten eröffnet, die Verteidigung gegen chemische Waffen zu verbessern, aber auch Missbrauchsrisiken birgt. Dieser Abschnitt analysiert diese Dual-Use-Aspekte und schließt mit Politikempfehlungen, um die Risiken zu reduzieren.

    Chancen

    Autonome Labore werden bereits von verschiedenen Unternehmen für Anwendungen wie die Wirkstoffsynthese und die Entwicklung neuer Materialien eingesetzt. Eine der meistversprechenden Chancen für autonome Labors zur Stärkung des Schutzes vor chemischen Waffen liegt in ihrem Potenzial, mittels KI-gesteuerter Automatisierung Gegenmittel zu synthetisieren. Gegenmittel wie Atropin und verschiedene Oxime, die üblicherweise zur Behandlung von Nervenkampfstoffen eingesetzt werden, könnten mit autonomen Laboren effizient und in großem Maßstab synthetisiert werden.

    Neben der Synthese bekannter Gegenmittel haben autonome Labore auch das Potenzial, neuartige Verbindungen herzustellen, die als wirksame Gegenmaßnahmen dienen können. Meines Wissens gibt es jedoch derzeit keine Beispiele für die Anwendung autonomer Labore in diesen speziellen Anwendungsfällen. Nichtsdestoweniger könnte es in diesem Bereich schon bald zu bedeutenden Fortschritten kommen.

    Risiken und Herausforderungen

    Im Kapitel „KI-Entwicklungen in der Chemie“ wurde bereits auf die Bedenken hinsichtlich der Dual-Use-Potenzials von KI und SDLs hingewiesen. Ein wichtiger Unterschied bei der Bewertung der Risiken von KI in der Chemie gegenüber autonomen Laboren liegt in der Fähigkeit dieser, digitale Informationen, die durch KI-Tools generiert oder verbessert wurden, in greifbare Ergebnisse umzusetzen. Mit anderen Worten: Das größte Risiko besteht darin, dass autonome Labore KI-generierte Informationen in die physikalische Synthese von toxischen Chemikalien und chemischen Kampfstoffen umsetzen können. Autonome Labore sind potenziell in der Lage, nicht nur die Synthese bekannter toxischer Verbindungen zu automatisieren, sondern auch deren Produktionsprozesse zu optimieren oder sogar neue toxische Agenzien mit weniger menschlichen Eingriffen autonom zu entwickeln und zu synthetisieren.

    Dieses Risiko ist zwar real, aber mehrere Einschränkungen mindern derzeit die Wahrscheinlichkeit einer vollautomatischen Synthese chemischer Kampfstoffe. Einige der wichtigsten Einschränkungen sind:

    Nicht praktikable Synthesewege. Die KI schlägt manchmal Synthesewege vor, die entweder unsinnig oder technisch nicht umsetzbar sind. Daher bleibt es eine große Herausforderung, von einem retrosynthetischen Plan zur realen Ausführung überzugehen, insbesondere ohne menschliche Überwachung.

    Probleme der Skalierbarkeit. Die Reaktionen können je nach Maßstab der Synthese sehr unterschiedliche Ergebnisse liefern, je nach dem, ob das Ziel darin besteht, eine kleine (z. B. 1 Gramm) oder eine viel größere Menge (z. B. 1 Tonne) an Material herzustellen.

    Anforderungen an das Fachwissen. Täter*innen, die versuchen, toxische Chemikalien oder chemische Kampfstoffe zu synthetisieren, benötigen ein hohes Maß an Fachwissen – nicht nur in der Chemie, einschließlich der sicheren Handhabung und Lagerung von Gefahrstoffen, sondern auch in den Bereichen Technik, Automatisierung und Robotik –, um diese komplexen Prozesse erfolgreich durchzuführen.

    Zugang zu Reagenzien und Einrichtungen. Die Täter*innen bräuchten Zugang zu speziellen Reagenzien und Geräten, was ein erhebliches Hindernis für die Durchführung solcher Aktivitäten darstellt. Diese Faktoren sind von entscheidender Bedeutung und müssen bei der Entwicklung und der beabsichtigten Verwendung jedes autonomen Labors sorgfältig berücksichtigt werden.

    Diese Einschränkungen wirken der Konkretisierung der Bedrohung entgegen und machen es wahrscheinlicher, dass Täter*innen sich toxische Chemikalien oder chemische Kampfstoffe durch weniger ausgefeilte Methoden beschaffen.

    Aktionen und Präventivmaßnahme

    Im Einklang mit den politischen Empfehlungen für die KI-gestützte chemische Forschung erfordert die Steuerung von autonomen Laboren in der Chemie strukturierte und koordinierte Maßnahmen. Nationale Regierungs- und Forschungseinrichtungen sollten in Abstimmung mit internationalen Organisationen wie der OVCW die Führung dabei übernehmen, diese Regelwerke umzusetzen. Diese Bemühungen sollten strukturierte Bildungsinitiativen umfassen, um die KI-Kompetenz und das ethische Bewusstsein auf allen Ebenen der wissenschaftlichen Ausbildung zu verbessern. Eine institutionalisierte Zusammenarbeit mit der OVCW ist für die Überwachung und das effektive Management von Dual-Use-Risiken unerlässlich. Darüber hinaus sollten bestehende Rechtsinstrumente – wie der EU AI Act – erweitert werden, um die Anwendung von KI in für die chemische und biologische Sicherheit relevanten Bereichen ausdrücklich zu regeln. Über diese Maßnahmen hinaus müssen zum Schutz vor unbefugtem Zugriff und möglichem Missbrauch fortgeschrittene KI-Sicherheitsarchitekturen entwickelt werden. Der Zugriff auf diese Systeme sollte nur Fachleuten mit umfassender Begründung und ethischer Freigabe gewährt werden.

    1. Spinrad, R. J. (1967). Automation in the laboratory. Science, 158(3797), 55−60. https://doi.org/10.1126/science.158.3797.55 ↩
    2. Isenhour, T. L. (1985). Robotics in the Laboratory. Journal of Chemical Information and Computer Sciences, 25(3), 292−295. https://doi.org/10.1021/ci00047a600 ↩
    3. Tom, G., Schmid, S. P., Baird, S. G., Cao, Y., Darvish, K., Hao, H., Lo, S., Pablo-García, S., Rajaonson, E. M., Skreta, M., Yoshikawa, N., Corapi, S., Deniz Akkoc, G., Strieth-Kalthoff, F., Seifrid, M., & Aspuru-Guzik, A. (2024). Self-Driving Laboratories for Chemistry and Materials Science. Chemical Reviews, 124(16), 9633−9732. https://doi.org/10.1021/acs.chemrev.4c00055 ↩
    4. Tom et al. (2024) ↩
    5. Mieling, G. E., Taylor, R. W., Hargis, L. G., English, J., & Pardue, H. L. (1976). Fully Automated Stopped-Flow Studies with a Hierarchical Computer Controlled System. Analytical Chemistry, 48, 1686−1693. https://doi.org/10.1021/AC50006A015; Lochmüller, C. H., Lung, K. R., & Cousins, K. R. (1985). Applications of Optimization Strategies in the Design of Intelligent Laboratory Robotic Procedures. Analytical Letters, 18(4), 439−448. https://doi.org/10.1080/00032718508066145; Lochmüller, C. H., & Lung, K. R. (1986). Applications of Laboratory Robotics in Spectrophotometric Sample Preparation and Experimental Optimization. Analytica Chimica Acta, 183, 257−262. https://doi.org/10.1016/0003-2670(86)80094-0 ↩
    6. Boelrijk, J., Ensing, B., Forré, P., & Pirok, B. W. J. (2023). Closed-Loop Automatic Gradient Design for Liquid Chromatography Using Bayesian Optimization. Analytica Chimica Acta, 1242, 340789. https://doi.org/10.1016/j.aca.2023.340789 ↩
    7. Clayton, A. D., Power, L. A., Reynolds, W. R., Ainsworth, C., Hose, D. R. J., Jones, M. F., Chamberlain, T. W., Blacker, A. J., & Bourne, R. A. (2020). Self-Optimising Reactive Extractions: Towards the Efficient Development of Multi-Step Continuous Flow Processes. Journal of Flow Chemistry, 10, 199−206. https://doi.org/10.1007/s41981-020-00086-6 ↩
    8. Pomberger, A., Jose, N., Walz, D., Meissner, J., Holze, C., Kopczynski, M., Müller-Bischof, P., & Lapkin, A. A. (2023). Automated pH Adjustment Driven by Robotic Workflows and Active Machine Learning. Chemical Engineering Journal, 451, 139099. https://doi.org/10.1016/j.cej.2022.139099; Chitre, A., Cheng, J., Ahmed, S., Querimit, R. C. M., Zhu, B., Wang, K., Wang, L., Hippalgaonkar, K., & Lapkin, A. A. (2024). pHbot: Self-Driven Robot for pH Adjustment of Viscous Formulations via Physics-informed-ML. Chemistry—Methods 4(2), e202300043. https://doi.org/10.1002/cmtd.202300043 ↩
    9. Szymanski, N. J., Bartel, C. J., Zeng, Y., Diallo, M., Kim, H., & Ceder, G. (2023). Adaptively driven X-ray diffraction guided by machine learning for autonomous phase identification. npj Comput Mater, 9, 31. https://doi.org/10.1038/s41524-023-00984-y ↩
    10. Kondo, M., Sugizaki, A., Khalid, M. I., Wathsala, H. D. P., Ishikawa, K., Hara, S., Takaai, T., Washio, T., Takizawa, S., & Sasai, H. (2021). Energy-, Time-, and Labor-Saving Synthesis of α-Ketiminophosphonates: Machine-Learning-Assisted Simultaneous Multiparameter Screening for Electrochemical Oxidation. Green Chemistry, 23, 5825−5831. https://doi.org/10.1039/D1GC01583D; Naito, Y., Kondo, M., Nakamura, Y., Shida, N., Ishikawa, K., Washio, T., Takizawa, S., & Atobe, M. (2022). Bayesian Optimization with Constraint on Passed Charge for Multiparameter Screening of Electrochemical Reductive Carboxylation in a Flow Microreactor. Chemical Communications, 58(29), 3893–3896. https://doi.org/10.1039/D2CC00124A ↩
    11. Kondo, M., Wathsala, H. D. P., Sako, M., Hanatani, Y., Ishikawa, K., Hara, S., Takaai, T., Washio, T., Takizawa, S., & Sasai, H. (2020). Exploration of Flow Reaction Conditions Using Machine-Learning for Enantioselective Organocatalyzed Rauhut-Currier and [3+2] Annulation Sequence. Chemical Communications, 56(8), 1259–1262. https://doi.org/10.1039/c9cc08526b ↩
    12. Jorayev, P., Russo, D., Tibbetts, J. D., Schweidtmann, A. M., Deutsch, P., Bull, S. D., & Lapkin, A. A. (2022). Multi-Objective Bayesian Optimisation of a Two-Step Synthesis of p-Cymene from Crude Sulphate Turpentine. Chemical Engineering Science, 247, 116938. https://doi.org/10.1016/j.ces.2021.116938 ↩
    13. King, R. D., Rowland, J., Oliver, S. G., Young, M., Aubrey, W., Byrne, E., Liakata, M., Markham, M., Pir, P., Soldatova, L. N., Sparkes, A., & Whelan, K. E. (2009). The Automation of Science. Science, 324(5923), 85–89. https://doi.org/10.1126/science.1165620; Williams, K., Bilsland, E., Sparkes, A., Aubrey, W., Young, M., Soldatova, L. N., Grave, K. D., Ramon, J., de Clare, M., Sirawaraporn, W., Oliver, S. G., & King, R. D. (2015). Cheaper Faster Drug Development Validated by the Repositioning of Drugs against Neglected Tropical Diseases. Journal of the Royal Society Interface, 12(102), 20141289. https://doi.org/10.1098/rsif.2014.1289 ↩
    14. Gorgulla, C., Boeszoermenyi, A., Wang, Z.-F., Fischer, P. D., Coote, P. W., Das, K. M. P., Malets, Y. S., Radchenko, D. S., Moroz, Y. S., Scott, D. A., Fackeldey, K., Hoffman, M., Iavniuk, I., Wagner, G., & Arthanari, H. (2020). An Open-Source Drug Discovery Platform Enables Ultra-Large Virtual Screens. Nature, 580(7805), 663–668. https://doi.org/10.1038/s41586-020-2117-z; Grisoni, F., Huisman, B. J. H., Button, A. L., Moret, M., Atz, K., Merk, D., & Schneider, G. (2021). Combining Generative Artificial Intelligence and On-Chip Synthesis for de Novo Drug Design. Science Advances, 7(14), eabg3338. https://doi.org/10.1126/sciadv.abg3338 ↩
    15. Kusne, A. G., Yu, H., Wu, C., Zhang, H., Hattrick-Simpers, J., DeCost, B., Sarker, S., Oses, C., Toher, C., Curtarolo, S., Davydov, A. V., Agarwal, R., Bendersky, L. A., Li, M., Mehta, A., & Takeuchi, I. (2020). On-the-fly closed-loop materials discovery via Bayesian active learning. Nature Communications, 11, 5966. https://doi.org/10.1038/s41467-020-19597-w ↩
    16. Li, Z., Najeeb, M. A., Alves, L., Sherman, A. Z., Shekar, V., Parrilla, P. C., Pendleton, I. M., Wang, W., Nega, P. W., Zeller, M., Schrier, J., Norquist, A. J., & Chan, E. M. (2020). Robot-accelerated perovskite investigation and discovery. Chemistry of Materials, 32(13), 5650–5663. https://doi.org/10.1021/acs.chemmater.0c01153 ↩
    17. Ament, S., Amsler, M., Sutherland, D. R., Chang, M.-C., Guevarra, D., Connolly, A. B., Gregoire, J. M., Thompson, M. O., Gomes, C. P., & van Dover, R. B. (2021). Autonomous materials synthesis via hierarchical active learning of nonequilibrium phase diagrams. Science Advances, 7(51), eabg4930. https://doi.org/10.1126/sciadv.abg4930 ↩
    18. Quach, K. (2024, 31. Januar). AI chemistry research disputed. The Register. https://www.theregister.com/2024/01/31/ai_chemistry_research_disputed/ ↩
    19. Karlsruhe Institute of Technology (KIT). (n.d.). Materials Center. Abgerufen am 2. September 2025, unter https://www.helma.kit.edu/86.php; Karlsruhe Institute of Technology (KIT). (n.d.). HELMA – High Throughput Equipment for Materials Development. Abgerufen am 2. September 2025, unter https://www.helma.kit.edu/174.php ↩
    20. Bundesanstalt für Materialforschung und -prüfung (BAM). (n.d.). Young science: BAM-Projektgruppe Self-driving lab for advanced materials. Abgerufen am 2. September 2025, unter https://www.bam.de/Content/EN/Standard-Articles/About-us/Jobs-and-Careers/Young-Science/project-group-ruehle-self-driving-lab-advanced-materials.html ↩
    21. IBM Research. (n.d.). IBM RoboRXN for chemistry. Abgerufen am 8. September 2025, unter https://rxn.res.ibm.com/rxn/robo-rxn/welcome ↩
    22. Merck KGaA. (2023, 12. Juni). Merck Collaborates with Acceleration Consortium on Open-Sourcing AI-Driving Experimentation. https://www.merckgroup.com/en/news/opensource-ai-experimentation-planner-06-12-2023.html ↩