Einführung & Abgrenzung
Anwendungsfälle, die Entdeckungs- und Ingenieurarbeit mit KI beschleunigen. Vier Muster: SCI.LIFE (Proteine, Wirkstoffe, Genomik, Zielstrukturen, Züchtung, Toxikologie), SCI.MATERIALS (Materialien, Reaktionen, Formulierungen), SCI.ENGINEERING (Simulation, Konstruktion, CAD/CAM, EDA, Testdaten, Systems- und Qualitätsengineering) und SCI.METHOD (übergreifende Methoden: Laborautomatisierung, Bildgebung, Spektren, Klima, Untergrund, KI-Wissenschaftler, Theorembeweisen). Die meisten sind F&E-Werkzeuge mit minimalem Risiko auf nicht personenbezogenen Daten; die Ausnahmen betreffen menschliche Gen- oder patientenbezogene Daten.
Abgrenzungen: - SCI-001 (Proteinstruktur/-design) vs. SCI-021 (Nukleotidsequenz-Design) vs. SCI-009 (Interpretation menschlicher Varianten, klinisch) vs. SCI-020 (Züchtung). - SCI-002 (Wirkstoffentdeckung für kleine Moleküle) vs. SCI-017 (Zielstrukturen und Biomarker vorgelagert) vs. SCI-015 (Toxizität/regulatorische Sicherheit) vs. SCI-004 (Syntheserouten). - SCI-003 (Materialentdeckung) vs. SCI-014 (unternehmensspezifische Formulierung auf kleinen Datenmengen) vs. SCI-007 (Laborausführung im geschlossenen Regelkreis). - SCI-008 (Bilder) vs. SCI-018 (Spektren und Chromatografie): gleiches Analytiklabor-Umfeld, andere Datenmodalität. - SCI-005 (gelernte CFD-/FEM-Surrogate) vs. SCI-006 (generatives Design/Topologieoptimierung) vs. SCI-010 (Erdsystem-Emulatoren) vs. SCI-019 (Untergrund). - SCI-013 (MBSE/Anforderungen) vs. SCI-025 (FMEA/8D/CAPA): beide dokumentenbasierte LLM-Assistenten; 013 umfasst Spezifikation und Modellkonsistenz, 025 Fehleranalyse und Korrekturmaßnahmen. - SCI-022 (Testdaten-ML) vs. SCI-025 (Qualitätsdokumente) vs. SCI-023 (CAM) vs. SCI-024 (CAD/Zeichnungen). - SCI-011 (agentische Literatur-zu-Hypothese) vs. SCI-012 (formaler Beweis) vs. SCI-007 (physische Experimente).
KI-Verordnung (AI Act): für nahezu alle minimal. SCI-009 „hängt davon ab“: klinische Variantenberichte, die zur Diagnose genutzt werden, können unter IVDR/MDR und die Hochrisiko-Regeln fallen. Die DSGVO gilt, wo menschliche Genom- oder Patientendaten verwendet werden (SCI-009, SCI-017; „hängt davon ab“ bei SCI-008, SCI-011, SCI-013, SCI-014, SCI-018, SCI-020, SCI-025).
Anwendungsfälle
| ID | Title | Pattern | Maturity | Path | HW tier | AI Act risk |
|---|---|---|---|---|---|---|
| SCI-001 | Proteinstrukturvorhersage & Proteindesign | SCI.LIFE | early-adopter | B | HW3 | minimal |
| SCI-002 | Wirkstoffentdeckung: virtuelles Screening & Molekülgenerierung | SCI.LIFE | early-adopter | B | HW3 | minimal |
| SCI-003 | Materialentdeckung & Eigenschaftsvorhersage | SCI.MATERIALS | early-adopter | C | HW3 | minimal |
| SCI-004 | Reaktionsvorhersage & Retrosyntheseplanung | SCI.MATERIALS | early-adopter | A | HW2 | minimal |
| SCI-005 | Simulations-Surrogate | SCI.ENGINEERING | early-adopter | A | HW3 | minimal |
| SCI-006 | Generatives Ingenieurdesign & Topologieoptimierung | SCI.ENGINEERING | mainstream | A | HW3 | minimal |
| SCI-007 | Laborautomatisierung & selbstfahrende Labore | SCI.METHOD | early-adopter | A | HW1 | minimal |
| SCI-008 | Mikroskopie & wissenschaftliche Bildanalyse | SCI.METHOD | mainstream | C | HW2 | minimal |
| SCI-009 | Genomik & Varianteninterpretation | SCI.LIFE | early-adopter | A | HW3 | depends |
| SCI-010 | Klima- & Erdsystemmodellierung | SCI.METHOD | early-adopter | C | HW3 | minimal |
| SCI-011 | KI-Wissenschaftler-Agenten & Hypothesengenerierung | SCI.METHOD | emerging | B | HW4 | minimal |
| SCI-012 | Mathematisches Schließen & formales Theorembeweisen | SCI.METHOD | early-adopter | B | HW4 | minimal |
| SCI-013 | Systems Engineering & Anforderungsmanagement | SCI.ENGINEERING | early-adopter | A | HW3 | minimal |
| SCI-014 | KI-gestützte Formulierungs- & Rezepturentwicklung | SCI.MATERIALS | early-adopter | A | HW1 | minimal |
| SCI-015 | In-silico-Toxikologie & chemische Sicherheitsbewertung | SCI.LIFE | early-adopter | A | HW1 | minimal |
| SCI-016 | KI-gestützte Chip- & Leiterplatten-Entwurfsautomatisierung | SCI.ENGINEERING | early-adopter | A | HW3 | minimal |
| SCI-017 | Identifikation von Wirkstoff-Zielstrukturen & Biomarker-Entdeckung aus Multi-Omics | SCI.LIFE | early-adopter | A | HW3 | minimal |
| SCI-018 | Interpretation von Spektral- & Analysedaten | SCI.METHOD | early-adopter | C | HW2 | minimal |
| SCI-019 | Untergrund-Intelligenz: Rohstoffexploration, seismische Interpretation, Standortwahl für Geothermie & CO2-Speicherung | SCI.METHOD | early-adopter | B | HW3 | minimal |
| SCI-020 | Genomische Selektion & KI-gestützte Pflanzen- und Tierzüchtung | SCI.LIFE | mainstream | C | HW2 | minimal |
| SCI-021 | DNA-/RNA-Sequenzdesign: mRNA, regulatorische Elemente & Stämme | SCI.LIFE | early-adopter | B | HW3 | minimal |
| SCI-022 | Analyse technischer Testdaten & Reduktion physischer Tests | SCI.ENGINEERING | early-adopter | A | HW1 | minimal |
| SCI-023 | Automatisierung der CNC-/CAM-Programmierung | SCI.ENGINEERING | early-adopter | A | HW1 | minimal |
| SCI-024 | Text-/Skizze-zu-CAD-Modellierung & Copilot zur Automatisierung von Fertigungszeichnungen | SCI.ENGINEERING | early-adopter | A | HW3 | minimal |
| SCI-025 | FMEA- & 8D/CAPA-Assistent für das Qualitätsengineering | SCI.ENGINEERING | early-adopter | A | HW3 | minimal |
Gemeinsamer Technologie-Stack
Gemeinsame Bausteine: wissenschaftliche Foundation-Modelle (AlphaFold-Klasse, MLIPs, ESM, Nukleotid-Sprachmodelle), tabellarisches/Graph-ML, Bayessche Optimierung und Solver, Simulation, Dokumenten-RAG (Embedding + Reranker + Vektordatenbank + Wissensgraph), Agenten-Frameworks, Workflow-Engines.
- HW1 (CPU/kleine GPU, Workstation oder VM): SCI-007 Steuerungsschicht, SCI-014, SCI-015, SCI-022, SCI-023. Stack: Python + scikit-learn/XGBoost/BoTorch/Ax, RDKit, OR-Tools, PostgreSQL + Objektspeicher, MLflow, Airflow oder Prefect. Wiederverwendbar für die Familien PRED/OPT.
- HW2 (einzelne 24-48-GB-GPU): SCI-004, SCI-008, SCI-018, SCI-020. Stack: PyTorch, Cellpose-/SAM-Klasse-Segmentierer, Retrosynthese- und Spektrenmodelle, ONNX/Triton-Serving, DVC für Datensätze, JupyterHub.
- HW3 (Multi-GPU-Knoten, 80-GB-Klasse, oder EU-Cloud-GPU): SCI-001, SCI-002, SCI-003, SCI-005, SCI-006, SCI-009, SCI-010, SCI-013, SCI-016, SCI-017, SCI-019, SCI-021, SCI-024, SCI-025. Stack: Slurm oder Kubernetes mit GPU-Operator, vLLM für ein Open-Weight-LLM mit 30-70B, Qdrant/pgvector + bge-m3-Embeddings und ein Reranker, Neo4j für Wissensgraphen, docling/OCR für Dokumente, Nextflow/Snakemake für Pipelines, eine gemeinsame Modell-/Gewichte-Registry. Dieselbe LLM+RAG-Schicht bedient SCI-013/025 und die Familien DOC/KNOW.
- HW4 (Multi-Node-GPU-Cluster oder Frontier-API unter EU-AVV): SCI-011, SCI-012. Stack: Reasoning-LLM (Open-Weight-MoE mit 100B+ oder EU-gehostete API), Agenten-Framework mit Sandbox-Codeausführung, Lean/Isabelle-Toolchain, dieselbe Retrieval-Schicht wie HW3.
Übergreifend: personenbezogene Genom-/Patientendaten (SCI-009, SCI-017) in einer separaten, in der EU gehosteten, zugriffskontrollierten Enklave mit Pseudonymisierung und Datenschutz-Folgenabschätzung (DSFA) halten; alles andere kann die HW3-Plattform gemeinsam nutzen. Herkunft von Daten, Modellversionen und Prompts zur Reproduzierbarkeit und menschlichen Prüfung protokollieren.