Wenn Chemiker heute am Computer vorhersagen wollen, wie sich ein Molekuel verhaelt, verlassen sie sich seit Jahrzehnten auf eine Methode namens DFT - die Dichtefunktionaltheorie (ein Verfahren, mit dem sich das Verhalten von Elektronen in Molekuelen naeherungsweise berechnen laesst). Microsoft Research schiebt nun eine neue Version seines KI-gestuetzten Bausteins dafuer nach und macht ihn breiter verfuegbar. Die Botschaft dahinter: Wer schnellere und genauere Simulationen will, soll nicht mehr auf ein exklusives Werkzeug warten muessen.

Konkret geht es um Skala 1.1, ein aktualisiertes sogenanntes Exchange-Correlation-Functional (das ist der Teil einer DFT-Rechnung, der die komplizierten Wechselwirkungen zwischen Elektronen abschaetzt) auf Basis von Deep Learning. Laut dem Blogbeitrag von Microsoft Research vom 20. August bringt die neue Version eine hoehere Genauigkeit mit, wird ueber das oekosystem der Computational Chemistry hinweg breiter zugaenglich gemacht und bekommt einen laufenden Benchmark an die Seite gestellt, der die Rechenleistung nachvollziehbar dokumentieren soll. Weitere technische Details oder Zahlen zur Genauigkeit sind im vorliegenden Material nicht enthalten.

Der Schritt ist deshalb bemerkenswert, weil DFT-Rechnungen zum Alltag in der Materialforschung, in der Wirkstoffentwicklung und in der Batterieforschung gehoeren - sie sind aber notorisch rechenintensiv. Wenn ein KI-basiertes Functional die gleiche Vorhersagequalitaet mit weniger Aufwand liefert, koennten Forschungsgruppen schneller Kandidaten fuer neue Molekuele oder Materialien durchspielen. Dass Microsoft den Zugang nun ueber das bestehende Werkzeug-oekosystem ausweitet, adressiert einen typischen Engpass: Neue Methoden setzen sich in der Chemie nur dann durch, wenn sie in den etablierten Programmen laufen, die Forschende ohnehin nutzen. Wer davon profitiert - akademische Gruppen, Industrie-Labore oder beide - geht aus dem Material nicht klar hervor.

Offen bleibt einiges. Der Beitrag nennt zwar Genauigkeit, Zugaenglichkeit und einen 'lebenden' Benchmark als Verbesserungen, liefert aber im vorliegenden Auszug keine belastbaren Vergleichszahlen zu klassischen Functionals oder zu Vorversionen. Auch die Lizenzbedingungen, unterstuetzte Software-Pakete und moegliche Grenzen des Modells - etwa bei ungewoehnlichen Molekuelklassen - sind hier nicht belegt. Ein KI-basiertes Functional erbt zudem typische Risiken lernender Systeme: Es koennte bei Strukturen, die den Trainingsdaten wenig aehneln, ungenauer werden, ohne dass Nutzer das sofort merken. Der angekuendigte laufende Benchmark ist damit vermutlich nicht nur ein Marketing-Element, sondern eine notwendige Kontrollinstanz.

Interessant wird in den kommenden Wochen, wie schnell etablierte Chemie-Softwarepakete Skala 1.1 tatsaechlich integrieren und ob unabhaengige Forschungsgruppen die Genauigkeitsangaben in eigenen Tests bestaetigen. Auch die Frage, ob Microsoft den Zugang dauerhaft offen haelt oder an eigene Cloud-Dienste bindet, duerfte darueber entscheiden, ob aus der Ankuendigung ein Werkzeug fuer die breite Forschung wird - oder ein weiterer Baustein im Wettlauf der grossen Tech-Konzerne um die wissenschaftliche KI.