Berlin ist längst als Zentrum für KI-Forschung und digitale Innovation bekannt – doch die Ambitionen der Stadt reichen weit über Software hinaus. Mit ASCEND ist in der Hauptstadt eine Initiative entstanden, die Künstliche Intelligenz und autonome Labore einsetzt, um eines der schwierigsten Probleme der Klimawissenschaft anzugehen: die Entdeckung von Katalysatoren der nächsten Generation für eine klimaneutrale Zukunft. Am 11. Juni 2026 brachte die offizielle Auftaktveranstaltung im Helmholtz-Zentrum Berlin Bundesforschungsministerin Dorothee Bär, die Präsidenten der Helmholtz-Gemeinschaft und der Max-Planck-Gesellschaft sowie führende Vertreter:innen aus Industrie und Wissenschaft zusammen. Mit 30 Millionen Euro Bundesförderung vereint ASCEND sechs Partner, die alle in Berlin ansässig sind: HZB, das Fritz-Haber-Institut (FHI), BASF, Siemens Energy, Dunia Innovations und die TU Berlin/BasCat.

An der Spitze des Projekts stehen zwei wissenschaftliche Koordinatoren: Dr. Michelle Browne, Leiterin der Gruppe „Electrocatalysis: Synthesis to Device" am HZB, und Prof. Dr. Karsten Reuter, Geschäftsführender Direktor und Leiter der Theorieabteilung am FHI. Im Interview erklären sie, wie KI und selbstfahrende Labore die Katalyseforschung grundlegend verändern, warum grüner Wasserstoff und CO₂-Verwertung für die Dekarbonisierung schwer abbaubarer Industrien entscheidend sind – und warum Berlin mit seiner einzigartigen Dichte an Forschungseinrichtungen und Industriepartnern der ideale Ort für dieses Vorhaben ist.

ASCEND ist offiziell gestartet und wird mit 30 Millionen Euro vom Bundesministerium für Forschung, Technologie und Raumfahrt gefördert. Was ist die wissenschaftliche Vision hinter dem Projekt?

Prof. Dr. Karsten Reuter: Die wissenschaftliche Vision von ASCEND ist es, ein neues Paradigma für die Katalysatorentwicklung zu schaffen – eines, in dem Künstliche Intelligenz und Automatisierung traditionelle Versuch-und-Irrtum-Ansätze ablösen. Das Projekt adressiert einen zentralen Engpass in der Materialwissenschaft: den extrem großen und noch wenig verstandenen Katalysator-Designraum, der durch dynamische Veränderungen während des realen Katalysatorbetriebs noch komplexer wird. ASCEND begegnet dem mit geschlossenen, KI-gesteuerten Systemen, die in Echtzeit kontinuierlich neue Experimente entwerfen, testen und aus ihnen lernen. Durch die Integration von KI, autonomen Laboren, Simulationen und fortschrittlicher Nanofabrikation soll das Projekt Katalysatoren für nachhaltige Anwendungen wie die Produktion von grünem Wasserstoff und die CO₂-Verwertung schnell identifizieren und optimieren.

Dr. Michelle Browne: Im Kern geht es bei ASCEND darum, das Beste aus KI, Automatisierung und Materialwissenschaft zu verbinden. Unser Fokus liegt auf Dünnschichtkatalysatoren im Nanometerbereich, die es ermöglichen, hochkontrollierte Oberflächen zu gestalten und viele Materialien parallel zu testen – bei gleichzeitig reduziertem Materialverbrauch. Das Ziel ist es, die richtigen Materialkombinationen für die Produktion von grünem Wasserstoff und die CO₂-Verwertung deutlich schneller zu finden, als konventionelle Methoden es erlauben würden.

Im Kern von ASCEND steht die digitale Katalyse, die KI, Simulationen und autonome Labore miteinander verbindet. Wie verändert dieser Ansatz die traditionelle Katalyseforschung?

Dr. Michelle Browne: Der Ansatz der digitalen Katalyse in ASCEND verändert die Katalyseforschung grundlegend: weg vom aufwändigen Versuch-und-Irrtum-Verfahren, hin zu einem datengetriebenen, autonomen Entdeckungsprozess. Bislang entwerfen Forscher:innen Katalysatoren auf Basis von Erfahrung und Hypothesen, synthetisieren sie, testen sie im Labor und planen dann auf Grundlage der Ergebnisse die nächsten Experimente. Dieser Prozess ist oft langsam, arbeitsintensiv und durch menschliche Kapazitäten begrenzt. In ASCEND arbeiten KI, Simulationen und autonome Labore zusammen, um den riesigen Katalysator-Designraum weitaus effizienter zu erkunden. Hochdurchsatz-Methoden – wie die Herstellung von Katalysatoren als Ultradünnschichten auf Wafern – ermöglichen es, viele Materialien parallel zu testen und dabei den Materialverbrauch zu reduzieren.

Prof. Dr. Karsten Reuter: Was diesen Ansatz wirklich transformativ macht, ist die direkte Verbindung von Berechnung und Experiment in einem kontinuierlichen Rückkopplungskreislauf. Anstatt Simulationen und Laborarbeit als getrennte Schritte zu behandeln, verknüpft ASCEND sie unmittelbar: KI-Modelle schlagen Experimente vor, autonome Labore führen sie durch, und die Ergebnisse verfeinern sofort die Modelle. So entsteht ein lernendes System, das mit jeder Iteration klüger wird.

ASCEND arbeitet mit einem geschlossenen Innovationskreislauf aus Modellen, automatisierten Experimenten, Charakterisierungsmethoden und menschlicher Expertise. Wie funktioniert dieser Prozess in der Praxis?

Prof. Dr. Karsten Reuter: Der geschlossene Innovationskreislauf in ASCEND verbindet computergestützte Modelle, KI, automatisierte Experimente, fortschrittliche Charakterisierungsmethoden und menschliche Expertise in einem kontinuierlichen Lernzyklus. Simulationen und maschinelle Lernmodelle identifizieren zunächst vielversprechende Katalysatorkandidaten und schlagen die informativsten Experimente vor. Autonome Labore synthetisieren und testen diese Materialien anschließend, während Hochdurchsatz-Charakterisierungstechniken detaillierte Daten zu Struktur, Zusammensetzung und Leistung erheben. Diese Ergebnisse fließen unmittelbar in die Modelle zurück und ermöglichen es ihnen, ihre Vorhersagen zu verfeinern und den nächsten Satz Experimente vorzuschlagen.

Dr. Michelle Browne: In der Praxis bedeutet das, dass die Grenzen zwischen Berechnung, Experiment und Analyse deutlich fließender werden. Eine Forscherin oder ein Forscher könnte die Woche damit beginnen, KI-vorgeschlagene Katalysatorkandidaten zu prüfen, dann zusehen, wie autonome Systeme Experimente durchführen, und die Woche damit abschließen, unerwartete Ergebnisse zu interpretieren und neue Hypothesen ins Modell einzuspeisen. Das ist eine grundlegend andere Art, Wissenschaft zu betreiben – schneller, iterativer und stärker kollaborativ zwischen Mensch und Maschine.

Welche Rolle spielt menschliches wissenschaftliches Urteilsvermögen noch, wenn KI und autonome Labore immer größere Teile der Experimentplanung und -analyse übernehmen?

Dr. Michelle Browne: Menschliches Urteilsvermögen bleibt auch dann zentral, wenn KI und autonome Labore größere Teile der Experimentplanung und -analyse übernehmen. KI kann große Datenmengen schnell verarbeiten, Muster erkennen und vielversprechende Experimente vorschlagen – aber sie kann nur aus den Informationen und Zielen lernen, die Forschende ihr vorgeben. Wissenschaftler:innen sind weiterhin dafür verantwortlich, die entscheidenden Forschungsfragen zu definieren, Prioritäten zu setzen und sicherzustellen, dass die Ergebnisse zu einem tieferen Verständnis katalytischer Prozesse beitragen. Wenn unerwartete Ergebnisse auftauchen, braucht es Menschen, die ihre wissenschaftliche Bedeutung einordnen, Annahmen hinterfragen und neue Hypothesen entwickeln, die über die vorhandenen Daten hinausgehen.

Prof. Dr. Karsten Reuter: ASCEND zielt nicht darauf ab, Wissenschaftler:innen zu ersetzen, sondern ihre Fähigkeiten zu erweitern. KI und autonome Labore übernehmen repetitive und zeitaufwändige Aufgaben – so können sich Forschende auf Kreativität, wissenschaftliche Einsicht und die Entwicklung neuer Konzepte konzentrieren. Menschliche Expertise und maschinelle Intelligenz ergänzen sich in einem kontinuierlichen Lernprozess, der die Katalysatorentwicklung beschleunigt und gleichzeitig das grundlegende Verständnis voranbringt.

Das Projekt konzentriert sich auf die Produktion von grünem Wasserstoff und die CO₂-Verwertung. Warum sind diese Anwendungsfelder besonders relevant für sogenannte „Hard-to-abate"-Industrien?

Prof. Dr. Karsten Reuter: „Hard-to-abate"-Industrien sind solche, die erhebliche Treibhausgasemissionen verursachen, stark auf fossile Brennstoffe angewiesen sind und sich nur schwer direkt elektrifizieren lassen. Grüner Wasserstoff ermöglicht es diesen Industrien, ihren CO₂-Fußabdruck zu verringern, indem fossile Vorprodukte in bestehenden Fertigungsprozessen ersetzt werden. So kann grüner Wasserstoff in der Stahlproduktion anstelle von Kohle eingesetzt werden. Die CO₂-Verwertung hingegen ermöglicht die Herstellung nützlicher Chemikalien – wie Ethanol – aus unvermeidbaren fossilbasierten Emissionen und trägt so zur Schaffung einer zirkulären Kohlenstoffwirtschaft bei.

Dr. Michelle Browne: Sowohl die Produktion von grünem Wasserstoff als auch die CO₂-Verwertung eröffnen Wege zur Dekarbonisierung von Industrien, für die eine Reduktion ihrer kohlenstoffbasierten Emissionen auf anderen Wegen besonders schwierig ist. Katalysatoren stehen dabei im Mittelpunkt beider Prozesse – genau deshalb kann die Beschleunigung der Katalysatorentwicklung, wie ASCEND sie anstrebt, einen so erheblichen Beitrag zur Erreichung der Netto-Null-Ziele bis 2050 leisten.

Neben KI-gestützten Methoden setzt ASCEND auf fortschrittliche Dünnschichtkatalysatoren im Nanometerbereich. Wie können diese Technologien die Effizienz verbessern, den Materialeinsatz reduzieren und die industrielle Skalierbarkeit unterstützen?

Dr. Michelle Browne: Dünnschichtkatalysatoren lassen sich so maßschneidern, dass sie durch hochkontrollierte und homogene Oberflächen eine verbesserte katalytische Effizienz erzielen. In ASCEND werden wir KI einsetzen, um diese Dünnschichten gezielt auf die Produktion von grünem Wasserstoff und die CO₂-Verwertung zuzuschneiden. Der Einsatz von Dünnschichten statt konventioneller Massenpulver ermöglicht ein höheres Oberflächen-zu-Volumen-Verhältnis – was bedeutet, dass weniger Material benötigt wird, um dieselbe Aktivität und Stabilität zu erzielen, und die Kosten der Katalysatorschicht deutlich sinken.

Prof. Dr. Karsten Reuter: Dünnschicht-Abscheidemethoden werden bereits in verschiedenen industriellen Anwendungen eingesetzt – etwa in der Photovoltaik. Die Technologie ist also von Haus aus skalierbar. Unsere Aufgabe ist es nun, die richtige Materialkombination zu finden und sie für unsere Zielreaktionen zu optimieren. Genau hier entfaltet die Kombination aus KI-gesteuertem Design und Hochdurchsatz-Experimentierung, die ASCEND zusammenführt, ihre volle Stärke.

Mit HZB, dem Fritz-Haber-Institut, BASF, Siemens Energy, Dunia Innovations und der TU Berlin/BasCat vereint ASCEND Schlüsselakteure aus Forschung, Industrie und dem Startup-Ökosystem. Warum ist Berlin der richtige Ort für diese Zusammenarbeit?

Prof. Dr. Karsten Reuter: Berlin ist der ideale Standort für ASCEND, weil alle wichtigen Partner in der Stadt ansässig sind. Die geografische Nähe ermöglicht echte Zusammenarbeit – jede Forscherin und jeder Forscher im Projekt könnte an einem beliebigen Tag jeden der Kernpartner besuchen. Die enge Verbindung zwischen akademischen und industriellen Partnern erlaubt es uns, gemeinsam an Katalysatoren für Reaktionen zu arbeiten, die für die Industrie von erheblicher Bedeutung sind.

Dr. Michelle Browne: Jeder Partner bringt spezifische Expertise mit. BASF steuert tiefes Wissen in Thermokatalyse und Automatisierung bei. Siemens Energy bringt umfangreiche Erfahrung in elektrochemischen CO₂-Technologien ein. Dunia liefert einzigartige Expertise in autonomen Laboratorien. Das FHI trägt weltweit führendes Wissen in Rechenmethoden und KI für Experimentplanung und -steuerung bei. Und das HZB bringt fundiertes Know-how in Dünnschichten, Elektrochemie und Hochdurchsatz-Plattformen ein. Jede dieser Expertisen ist für sich wertvoll – aber gemeinsam schaffen sie in ASCEND etwas weit Größeres. Das alles ist möglich, weil Berlin das Epizentrum des Projekts ist.

Vielen Dank für das interessante Gespräch.

Hinweis: Dieses Interview wurde im Original auf Englisch geführt und anschließend ins Deutsche übersetzt.