Forschungsteam verwendet KI, um Abbaukinetik antibiotikahaltiger Schadstoffe in Biokohle-Katalysatoren zuverlässig vorherzusagen und zu erklären, warum bestimmte Systeme besser funktionieren; R² 0,91; 75 Studienbasis

KI hilft dabei, bessere Biokohle-Katalysatoren zur Beseitigung von Antibiotikabelastungen zu entwickeln

Bei 450 bis 550 °C hergestellte Biokohle erzeugt besonders hohe Mengen an reaktiven Sauerstoffspezies

Eine neue Studie zeigt, dass Deep Learning vorhersagen kann, wie schnell Biokohle-Materialien antibiotikahaltige Schadstoffe abbauen, und damit einen schnelleren Weg zu saubererem Wasser und intelligenteren Umweltsanierungsmaßnahmen eröffnet.

Die Verschmutzung durch Antibiotika ist ein zunehmendes Problem für die Umwelt und die öffentliche Gesundheit. Diese Verbindungen können in Flüsse, das Grundwasser, Abwassersysteme und landwirtschaftliche Umgebungen gelangen, wo sie dort verbleiben, Wasserorganismen schädigen und zur Ausbreitung von Antibiotikaresistenzen beitragen können. Biokohle, ein kohlenstoffreiches Material aus Biomasse, hat sich als vielversprechender nachhaltiger Katalysator für den Abbau von Antibiotika erwiesen. Dennoch ist es nach wie vor schwierig, die richtige Biokohle für das richtige Behandlungssystem zu entwickeln, da viele Faktoren gleichzeitig die Leistung beeinflussen.

Ein Forschungsteam hat nun ein interpretierbares Framework für künstliche Intelligenz entwickelt, das die Reaktionsgeschwindigkeit des Antibiotikaabbaus in Biokohle-katalysierten Systemen vorhersagen kann. Die in Biochar veröffentlichte Studie kombiniert Umweltchemie, Materialwissenschaften und Deep Learning, um zu ermitteln, welche Eigenschaften der Biokohle und welche Reaktionsbedingungen am wichtigsten sind.

Innovative Lösungen für chemische Herausforderungen: Nutzung des Potenzials des maschinellen Lernens

Mit KI die chemische Forschung revolutionieren?

„Biokohle-basierte Katalysatoren sind sehr vielversprechend, aber ihre Leistung wird durch komplexe Wechselwirkungen zwischen Porenstruktur, Oberflächenchemie, persistenten freien Radikalen, Oxidationsmittel-Dosierung und Schadstoffkonzentration bestimmt“, so die korrespondierenden Autoren. „Unser Ziel war es, ein praktisches KI-Tool zu entwickeln, das nicht nur die Abbaukinetik vorhersagt, sondern auch erklärt, warum bestimmte Systeme besser funktionieren als andere.“

Das Team stellte einen umfassenden Datensatz aus 75 begutachteten Studien zusammen, der mehrere Antibiotikaklassen abdeckt, darunter Tetracycline, Fluorchinolone und Sulfonamide. Es bewertete 16 Eingabemerkmale in drei Hauptkategorien: Eigenschaften des Biokohle-Katalysators, Elementzusammensetzung und Reaktionsbedingungen. Sechs Modelle des maschinellen Lernens wurden getestet, darunter Random Forest, XGBoost, LightGBM, Support-Vektor-Regression, Multilayer Perceptron und TabPFN, ein auf Transformatoren basierendes Deep-Learning-Modell, das für tabellarische Daten entwickelt wurde.

TabPFN lieferte die stärkste Vorhersageleistung und erreichte einen Test-R²-Wert von 0,91 sowie einen quadratischen Mittelwertfehler von 0,021. Diese Leistung übertraf die von baumbasierten, kernelfreien und herkömmlichen neuronalen Netzmodellen und zeigte die Fähigkeit des Transformer-basierten Lernens, kleine, aber komplexe Umweltdatensätze zu verarbeiten.

Über die Vorhersage hinaus lieferte das Modell wichtige mechanistische Erkenntnisse. Die Eigenschaften des Katalysators trugen zu 59,3 % zur Vorhersagekraft des Modells bei, gefolgt von den Reaktionsbedingungen mit 25,9 % und der Elementzusammensetzung mit 14,8 %. Zu den einflussreichsten Faktoren zählten persistente freie Radikale, das Gesamtporenvolumen, die Oxidationsmittelkonzentration, die Schadstoffkonzentration, die graphitische Struktur, die durchschnittliche Porengröße, die Biokohledosierung und das Raman-ID

Die Analyse legt nahe, dass Biochars, die reich an persistenten freien Radikalen sind und bei etwa 450 bis 550 °C gebildet wurden, die Bildung reaktiver Sauerstoffspezies fördern und so den Abbau von Antibiotika beschleunigen können. Ein Gesamtporenvolumen von über 0,23 cm³ g⁻¹ stand ebenfalls mit einer stärkeren katalytischen Leistung in Zusammenhang, wahrscheinlich weil eine verbesserte Porosität die Schadstoffadsorption, den Oxidationsmitteltransport und den Zugang zu aktiven Stellen verbessert.

Die Studie identifizierte zudem praktische Betriebsfenster. Moderate Oxidationsmittelkonzentrationen von etwa 0,5 bis 5,5 mg L⁻¹ verbesserten den Abbau, während ein Überschuss an Oxidationsmittel die Effizienz durch Radikalfängerwirkung verringern kann. Niedrigere Schadstoffkonzentrationen, insbesondere unter 22 mg L⁻¹, waren mit einem schnelleren Abbau verbunden, da aktive Stellen besser verfügbar blieben.

Um den Einsatz in der Praxis zu unterstützen, haben die Forscher das Modell in eine benutzerfreundliche, webbasierte grafische Oberfläche eingebettet. Nutzer können Katalysatoreigenschaften, Elementzusammensetzung und Reaktionsbedingungen eingeben, um die Abbauraten von Antibiotika abzuschätzen. In einer externen Validierung sagte das Tool die Leistung neuer Biokohle-Katalysatoren mit einer Fehlerquote von unter 20 % voraus.

„Dieses Framework kann Forschern helfen, Biokohle-Katalysatoren zu screenen, bevor sie umfangreiche Experimente durchführen“, so die Autoren. „Es bietet einen schnelleren, besser nachvollziehbaren und kostengünstigeren Weg zur Optimierung von Aufbereitungssystemen für mit Antibiotika kontaminiertes Wasser.“

Die Ergebnisse zeigen, wie interpretierbare KI die Umweltsanierung von Versuchen nach dem Prinzip „Versuch und Irrtum“ hin zu einem datengestützten Katalysatordesign führen kann. Durch die Verknüpfung von Vorhersagen mit mechanistischem Verständnis bietet die Studie eine allgemeine Strategie zur Verbesserung von Technologien auf Biokohlebasis und anderen komplexen katalytischen Systemen, die in der Schadstoffbekämpfung eingesetzt werden.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier .

Junaid Latif, Na Chen, Jia Xie, Zheng Ni, Lang Zhu, Azka Saleem, Kai Li, Hanzhong Jia; “Deep learning-aided prediction and mechanistic analysis of reaction kinetics in biochar-catalyzed antibiotic degradation”; Biochar, Volume 8, 2026-4-3

Maschinelles Lernens beschleunigt die Bewertung von Katalysatoren von Monaten auf Millisekunden

Modell zur Identifizierung kostengünstiger Katalysatoren, die Biomasse in Kraftstoffe und nützliche Chemikalien umwandeln

Weitere News aus dem Ressort Wissenschaft

Effiziente Herstellung von Wasserstoff und chemischen Produkten

Joseph-von-Fraunhofer-Preis 2026 für neuartigen Hochtemperaturelektrolyse-Stack

Interpretierbare KI in der Materialforschung liefert Aufschluss darüber, wie Modelle Vorhersagen treffen

Verfahren gewinnt Erkenntnisse aus KI-Modellen und gruppiert Materialien sowohl nach struktureller als auch nach optischer spektraler Ähnlichkeit

Wasser, Ton und Kohlenstoff: Ein neuer Weg zur nachhaltigen Energiespeicherung

Forschende demonstrieren einen vollständig auf Wasser basierenden Superkondensator, der über 60.000 Ladezyklen stabil bleibt

Neuer Weg für sichere und nachhaltige Synthesechemie

CO₂ als Sauerstoffquelle: Universität Bayreuth revolutioniert Oxidationschemie

Ein neuer Pfad zu grünem Ammoniak

Eisenhaltige MOF-Katalysatoren ermöglichen Ammoniak-Synthese ohne die Extrembedingungen des Haber-Bosch-Verfahrens

Voraussichtlich günstiger als andere Methoden

Platin-Oxidation in Echtzeit beobachtet: Schlüssel zu langlebigeren Elektrolyseuren

Wasserstoff-Technologien könnten durch neue Erkenntnisse über die Platin-Oxidation günstiger werden

Präzisionsmessung unter Beschuss: Wenn die Waage selbst zum Messobjekt wird

Künftig könnten Materialverluste und chemische Veränderungen gleichzeitig untersucht werden

Jülicher Team gewinnt internationalen Wettbewerb

Schneller und energieeffizienter: Katalysatoren beschleunigen wasserstoffbasierte Stahlproduktion

Zweimal schnellere Legierungsherstellung durch Zugabe von Nickeloxiden

“Das ist ein echter Gamechanger für die Qualitätssicherung von Produkten jeglicher Art“

TU Graz entwickelt mobiles Gerät zur hochpräzisen Messung von Luftschadstoffen

Umzugskarton-großes Gerät erkennt Gasschadstoff-Fingerabdrücke auf Kilometerweite

Gemischte Kunststoffabfälle ohne Sortierung in Öl umwandeln

Pilotanlage der Universität Amsterdam bringt fortschrittliche Kunststoffrecycling-Technologie der Industrie näher

Wintertaugliche Lithiumbatterien: Wissenschaftler nutzen “Polaritätskontrast”-Elektrolytstrategie, um extreme Kälte zu überlisten

Batterien behalten nach 150 Zyklen bei -40 °C noch 80 % ihrer Kapazität

Bottom-up statt Zerkleinern: Nature-Studie zeigt neue Route zu maßgeschneiderten Diamant-Nanopartikeln

Kohlenstoff-Dimer: Präzisionsmessung liefert neuen Rekordwert

Neuer Wert weicht deutlich von einer vielbeachteten 2019er Messung ab, stimmt aber mit älteren quantenchemischen Berechnungen überein

Atomare Umstrukturierung ebnet den Weg für rekordverdächtige Katalysatoren zur Wasserstofferzeugung

“Dies eröffnet eine neue Strategie für die Entwicklung anpassungsfähiger Katalysatoren für eine breite Palette von Anwendungen”

Extrem glatt und trotzdem rau – wie geht das?

Die Geometrie bestimmt die Chemie: Nanometer-Rauheit verändert Oberflächenreaktivität grundlegend

Magnetfeld während der Synthese des Katalysators verdreifacht Ammoniakausbeute

Eine skalierbare Strategie, um Elektrokatalysatoren der nächsten Generation für effiziente und nachhaltige chemische Umwandlungen zu entwickeln

Materialchemie gestaltet die Zukunft der Katalyse

Neue Ansätze könnten die Entdeckung effizienter Katalysatoren für die Energieumwandlung und Dekarbonisierung der chemischen Industrie beschleunigen

Holen Sie sich die Chemie-Branche in Ihren Posteingang

Mit dem Absenden des Formulars willigen Sie ein, dass Ihnen die LUMITOS AG den oder die oben ausgewählten Newsletter per E-Mail zusendet. Ihre Daten werden nicht an Dritte weitergegeben. Die Speicherung und Verarbeitung Ihrer Daten durch die LUMITOS AG erfolgt auf Basis unserer Datenschutzerklärung . LUMITOS darf Sie zum Zwecke der Werbung oder der Markt- und Meinungsforschung per E-Mail kontaktieren. Ihre Einwilligung können Sie jederzeit ohne Angabe von Gründen gegenüber der LUMITOS AG, Ernst-Augustin-Str. 2, 12489 Berlin oder per E-Mail unter widerruf@lumitos.com mit Wirkung für die Zukunft widerrufen. Zudem ist in jeder E-Mail ein Link zur Abbestellung des entsprechenden Newsletters enthalten.

Kühlen ohne Kompressor und Kältemittel – so leise, effizient und nachhaltig wie nie zuvor

Fraunhofer-Ausgründung sichert sich 2,2 Millionen Euro für die Kühl-Technologie der Zukunft

Chempark Uerdingen steigt aus der Kohle aus: Erster Elektrodenkessel liefert Dampf

Wichtiger Schritt für die zukunftssichere Ausrichtung des Chempark-Standorts

Größte Serie-A-Runde der Fusionsbranche geht an Darmstädter Start-up

Rekord-Finanzierungsrunde positioniert Focused Energy an der Spitze der internationalen Fusionsbranche

Leitfähiger Klebstoff ersetzt Lötzinn und lässt sich rückstandslos ablösen

Klebstoff auf Wasserbasis verbindet elektronische Bauteile und löst sie bei Bedarf

Schritt zur nachhaltigen Wasserstoffproduktion mit Cyanobakterien

Eine sauerstofffreie Mikroumgebung schützt die empfindlichen Enzyme

PQ übernimmt BASF-Silikategeschäft in Düsseldorf

PFAS-freie Antihaftbeschichtungen: Fraunhofer IFAM und Plasmatreat starten Technologietransfer

Koopeation für schnelle industrielle Umsetzung

Zuwachs bei Fixgehältern in der chemisch-pharmazeutischen Industrie

Bonuszahlungen erstmals seit 2023 wieder gestiegen

Industrieller Durchbruch für neue Naturpolymere