Die Zahl wissenschaftlicher Publikationen wächst so schnell, dass Wissenschaftlerinnen und Wissenschaftler selbst im eigenen Fachgebiet nicht mehr alle Arbeiten überblicken können. Wie sich aus dieser Fülle dennoch neue Forschungsideen ableiten lassen, zeigen Forschende des Karlsruher Instituts für Technologie (KIT) gemeinsam mit Partnern in einer aktuellen Studie: Mithilfe von Künstlicher Intelligenz (KI) werten sie Publikationen in den Materialwissenschaften systematisch aus und identifizieren mögliche Forschungsansätze. Veröffentlichung in Nature Machine Intelligence. (DOI: 10.1038/s42256-026-01206-y)
Materialien bilden die Grundlage zahlreicher Technologien – von Batterien und Solarzellen über elektronische Bauteile bis hin zu medizinischen Anwendungen. Die Materialwissenschaften gelten daher als Querschnittsdisziplin und beeinflussen viele Forschungs- und Technologiefelder. Entsprechend groß ist die Zahl wissenschaftlicher Veröffentlichungen, deren Erkenntnisse sich allerdings nur nutzen lassen, wenn relevante Entwicklungen und Zusammenhänge erkannt werden. Vor diesem Hintergrund untersuchten die Autorinnen und Autoren der Studie, wie sich wissenschaftliche Publikationen systematisch auswerten lassen. „Unser Ziel ist es, Forschende bei kreativen Denkprozessen zu unterstützen, indem neue Fragestellungen und mögliche Kooperationen zwischen Disziplinen sichtbar werden“, sagt Professor Pascal Friederich vom Institut für Nanotechnologie des KIT.
Große Sprachmodelle und Maschinelles Lernen kombinieren
In der aktuellen Arbeit kombinieren die Forschenden große Sprachmodelle (Large Language Models, LLMs) und Methoden des Maschinellen Lernens (ML). Zunächst identifizieren die LLMs in den Fachartikeln zentrale Fachbegriffe und wissenschaftliche Konzepte. Aus diesen Informationen entsteht ein Konzeptgraph, also ein Wissensnetz, in dem jedes Schlüsselwort einen Knoten bildet. Ein zweites Modell für maschinelles Lernen verbindet diese Knoten miteinander, wenn Begriffe in wissenschaftlichen Veröffentlichungen besonders oft gemeinsam genannt werden.
„Erkennt unser Sprachmodell beispielsweise, dass Begriffe wie ‚Perowskit‘ und ‚Solarzelle‘ immer häufiger gemeinsam auftreten, entsteht im Konzeptgraph eine neue Verbindung“, sagt Thomas Marwitz, Erstautor der Studie und Informatikstudent am KIT. „Ein ML-Modell analysiert anschließend die Entwicklung dieser Verknüpfungen, um vorherzusagen, welche Kombinationen wissenschaftlicher Konzepte in den kommenden zwei bis drei Jahren an Bedeutung gewinnen könnten.“ Dazu wertet das ML-Modell aus, wie sich Verbindungen zwischen Begriffen über viele Jahre hinweg verändern. Werden bestimmte Konzepte zunehmend miteinander verknüpft, kann dies darauf hindeuten, dass sich ein neues Forschungsfeld entwickelt. Umgekehrt können nachlassende Verbindungen darauf hinweisen, dass bestimmte Themen an Bedeutung verlieren.
Impulse für neue Forschungsideen
Die Ergebnisse können Forschenden Hinweise auf bislang wenig beachtete Themenkombinationen geben. In Interviews mit Expertinnen und Experten zeigte sich, dass ein Teil der KI-generierten Vorschläge tatsächlich als innovativ und vielversprechend bewertet wurde. „Wir wollen die Forscherinnen und Forscher nicht ersetzen“, betont Friederich. „Die Ergebnisse sind kein Automat für Erfindungen, sondern ein Analysewerkzeug, das dabei helfen kann, neue Ideen und mögliche Kooperationen gezielter zu entdecken. Wir möchten wissenschaftliche Kreativität gezielt unterstützen.“
Die Studie zeigt, wie sich große Mengen wissenschaftlicher Literatur mithilfe von KI systematisch auswerten lassen. Auch in anderen Fachgebieten könnte dieser Ansatz dazu beitragen, aufkommende Forschungstrends früher sichtbar zu machen.
Originalpublikation
Thomas Marwitz, Alexander Colsmann, Ben Breitung, Christoph Brabec, Christoph Kirchlechner, Eva Blasco, Gabriel Cadilha Marques, Horst Hahn, Michael Hirtz, Pavel A. Levkin, Yolita M. Eggeler, Tobias Schlöder, Pascal Friederich: Predicting new research directions in materials science using large language models and concept graphs. Nature Machine Intelligence, 2026. DOI 10.1038/s42256-026-01206-y.