Während sich die Debatte über künstliche Intelligenz auf Algorithmen und Chips konzentriert, sind es Innovationen in der Materialwissenschaft, die die Grenzen des technologisch Möglichen bestimmen.
Die Entwicklung der künstlichen Intelligenz hängt nicht nur von besseren Algorithmen und leistungsfähigeren Chips ab, sondern immer mehr auch von fortschrittlichen Materialien, die es diesen Technologien überhaupt erst ermöglichen zu funktionieren. Jede neue Generation der KI-Technologie erfordert höhere Rechenleistung, mehr Speicher, bessere Energieeffizienz und hohe Zuverlässigkeit, und jede dieser Anforderungen erhöht direkt den physischen Druck auf die Materialien, die in der Halbleiterproduktion und in Rechenzentren verwendet werden. Laut einem am 21. Juli 2026 im MIT Technology Review veröffentlichten Text, der von der Firma Syensqo produziert wurde, sind fortschrittliche Materialien nicht mehr nur eine Unterstützung für Innovationen, sondern definieren die Grenzen des Möglichen selbst.
Die Herstellung eines einzigen Halbleiterchips umfasst heute Tausende von präzise kontrollierten Prozessschritten, bei denen es nahezu keinen Spielraum für Fehler gibt. Kleine Temperaturschwankungen oder chemische Instabilitäten können Defekte verursachen, die die Ausbeute verringern und die Kosten erhöhen. Mit jeder neuen Chipgeneration suchen Hersteller nach Materialien, die höhere Reinheit, bessere chemische und Plasmaresistenz sowie Stabilität unter immer anspruchsvolleren Bedingungen bieten. Innovationen bei Polymeren, Elastomeren, Spezialflüssigkeiten und anderen fortschrittlichen Materialien sind genau das, was jede neue Technologiegeneration realisierbar macht.
Die wachsenden KI-Workloads verändern auch die physische Infrastruktur, die sie antreibt. Die Erhöhung der Dichte von Rechenressourcen transformiert das Design von Rechenzentren und schafft Bedarf an anspruchsvollerem Wärmemanagement, Hochspannungs-Stromversorgungsarchitekturen, erhöhten Datenspeicherkapazitäten und schneller Datenübertragung. Jeder Teil des Systems, von Kühlung und Stromversorgung bis hin zu elektronischen Komponenten wie Steckverbindern, Kondensatoren und Festplatten, steht unter wachsendem Druck. Laut Syensqo kann das Wissen über Flüssigkeitszirkulation aus Halbleiter- und Automobilkühlsystemen auf Direktflüssigkeitskühlungsdesigns für KI-Server angewendet werden, was die Entwicklung neuer Lösungen beschleunigt.
Die Definition von Leistung in der Materialwissenschaft ändert sich. Neben technischen Anforderungen wird zunehmend erwartet, dass Materialien auf verantwortungsvollere Weise entwickelt und produziert werden. Ein Beispiel sind Perfluorelastomere, Materialien, die zum Abdichten von Halbleiterproduktionsanlagen verwendet werden und unter extremen Temperaturen, aggressivem Plasma und hochreaktiven Chemikalien arbeiten. Syensqo hat eine neue Generation dieser Materialien entwickelt, die einen Produktionsprozess ohne Fluortenside verwendet, mit dem Ziel, ein besseres Material auf verantwortungsvollere Weise herzustellen. Wie das Unternehmen ausführt, war das Ziel sicherzustellen, dass Hersteller nicht mehr zwischen höherer Leistung und verantwortungsvollerer Produktion wählen müssen.
Paradoxerweise wird die künstliche Intelligenz selbst zu einem Werkzeug für die Entwicklung von Materialien, die sie dann ermöglichen werden. Die Entwicklung fortschrittlicher Materialien umfasste traditionell einen langen Prozess von Hypothese, Synthese, Test und Iteration. Neue digitale Werkzeuge, einschließlich KI, helfen Forschern, diese Zyklen schneller zu durchlaufen. Syensqo verwendet mehrere KI-Tools, darunter die Microsoft Discovery Platform, um vielversprechende molekulare Kandidaten für Wärmeträgerflüssigkeiten zu identifizieren und zu bewerten, die in der Halbleiterproduktion und in Rechenzentren eingesetzt werden. Wie das Unternehmen ausführt, "ersetzt KI nicht die wissenschaftliche Expertise. Sie hilft Wissenschaftlern, diese Expertise effizienter einzusetzen, sodass sie weniger Zeit mit der Suche nach Antworten und mehr mit der Lösung der schwierigsten industriellen Herausforderungen verbringen können."
Eine der wichtigsten Erkenntnisse dieses Ansatzes ist die Möglichkeit der Übertragung von Wissen aus verschiedenen Branchen. Da Rechenzentren auf Hochspannungsarchitekturen und höhere Leistungsdichte umsteigen, entsprechen die damit verbundenen Materialherausforderungen eng denen der Elektrofahrzeugindustrie. Diese branchenübergreifende Wissensübertragung kann die Entwicklung neuer Lösungen für Energie- und Wärmemanagement in der KI-Infrastruktur erheblich beschleunigen. Dennoch erfordert der Weg von der Labor entdeckung zum qualifizierten Material nach wie vor wissenschaftliche Expertise, rigorose Tests und enge Zusammenarbeit mit Kunden, unabhängig davon, wie sehr KI die anfänglichen Forschungsphasen beschleunigt.
Anmerkung: Dieser Artikel basiert auf Material, das von Syensqo produziert und am 21. Juli 2026 im MIT Technology Review veröffentlicht wurde. Der Text wurde nicht von der Redaktion des MIT Technology Review verfasst.
