Rezepturentwicklung mit KI auf eigenen Labordaten für Lacke, Klebstoffe und Kunststoffe

Was KI in der Rezepturentwicklung für Lacke, Beschichtungen und Klebstoffe leistet

KI in der Rezepturentwicklung lernt aus den Rezepturen, die Ihr Labor bereits angesetzt und geprüft hat, sagt die Eigenschaften einer Rezeptur voraus, die noch niemand angemischt hat, und schlägt die nächsten Ansätze vor, die das Ziel am ehesten erreichen oder am meisten Erkenntnis bringen. Mit den einigen Dutzend bis wenigen Hundert dokumentierten Rezepturen, die ein typisches Industrielabor je Produktfamilie hat, eignen sich statistische Modelle, die auf jedem Rechner laufen. Eine GPU braucht es zum Lesen alter Papierunterlagen, für ein Sprachmodell über Laborjournale und für neuronale Netze auf Molekülstrukturen.

Die Modelle lernen, welche Rohstoffe in welchen Mengen unter welchen Prozessbedingungen welche Viskosität, welchen Glanz, welche Haftung, Topfzeit oder Aushärtezeit ergeben haben.

Dieser Leitfaden richtet sich an F&E-Leitungen und Laborleitungen in der Lack-, Klebstoff-, Dichtstoff-, Schmierstoff- und Bauchemie sowie in der Kunststoffcompoundierung und hat einen technischen Abschnitt für das IT-Team, das das System betreibt. Er unterscheidet sich von unserem Leitfaden zum GPU-Server für Chemie- und Materialforschung, der Molekulardynamik, DFT und doppelte Genauigkeit in Forschungslaboren behandelt: Hier geht es um die Entwicklung von Produktrezepturen aus Ihren eigenen Prüfdaten.

Rezepturen gehören zu den sensibelsten Daten eines Unternehmens. Der Katalog von KI-Anwendungsfällen auf ki-syndikat.de sagt es auf seiner Kunststoffseite in drei Wörtern: „Rezepturen sind Betriebsgeheimnisse“. Das ist der Hauptgrund, diese Arbeit auf Hardware unter eigener Kontrolle zu halten; unser Artikel zu Geschäftsgeheimnissen, NDAs und KI-Werkzeugen behandelt die betriebliche Seite.

Rezepturoptimierung mit wenigen Daten: was einige Dutzend oder Hundert Rezepturen tragen

Rezepturdaten sind nach den Maßstäben des maschinellen Lernens klein. Nehmen Sie als Beispiel eine Produktfamilie mit 150 dokumentierten Rezepturen, jede mit bis zu 20 Rohstoffen, einigen Prozesseinstellungen und einer Handvoll gemessener Eigenschaften. Für Daten dieser Größe sind Methoden üblich, die zur Vorhersage auch ihre Unsicherheit angeben.

Gauß-Prozess-Modelle. Ein Gauß-Prozess sagt eine Eigenschaft voraus und gibt zugleich an, wie sicher er ist. Die Dokumentation von scikit-learn (Version 1.9.1) beschreibt die Vorhersage als probabilistisch, sodass sich Konfidenzintervalle berechnen lassen und man entscheiden kann, wo als Nächstes gemessen wird. Dieselbe Seite nennt die Grenze: Diese Modelle verlieren in hochdimensionalen Räumen an Effizienz, sobald die Zahl der Merkmale einige Dutzend übersteigt. Eine Rezeptur mit 20 Rohstoffmengen und drei Prozessparametern bleibt darunter; eine Rezeptur mit 200 möglichen Bestandteilen muss zuerst zusammengefasst werden, etwa nach Rohstoffklasse.

Bayes'sche Optimierung. Bayes'sche Optimierung nutzt ein solches Modell, um die nächsten Versuche zu wählen: Sie schlägt Rezepturen vor, bei denen die vorhergesagte Eigenschaft gut ist oder das Modell am unsichersten, das Labor mischt und prüft sie, und das Modell wird aktualisiert. BoTorch, eine Bibliothek unter MIT-Lizenz auf Basis von PyTorch, setzt die Methoden um, und ihr README empfiehlt Anwendern, die nicht selbst zur Bayes'schen Optimierung forschen, die Plattform Ax.

Ein veröffentlichtes Beispiel zeigt die Größenordnung. In einem Artikel von 2022 in einer Zeitschrift der Royal Society of Chemistry (DOI 10.1039/D2DD00029F) bauten Forschende einer Universität zusammen mit einem Klebstoffhersteller ein autonomes Labor (Self-Driving Lab), das das Verhältnis von Harz zu Härter eines Zweikomponenten-Epoxids auf Haftfestigkeit optimierte. Es nutzte Ax mit einem Gauß-Prozess und Batch-Akquisition; jede Runde prüfte fünf Formulierungen dreifach, und der optimale Bereich war nach vier Runden klar bestimmt. Das sind nach unserer Rechnung 20 Formulierungen. Eine GPU nennt der Artikel nicht; die Optimierung selbst ist leichte Rechenarbeit, teuer ist das Labor.

Gradient Boosting und lineare Modelle. Für die Vorhersage von Eigenschaften aus vielen früheren Rezepturen sind Gradient-Boosting-Bäume und einfache Regression oft die ersten Modelle, die man ausprobiert. Auch sie laufen auf dem Prozessor, und sie zeigen, welche Rohstoffe eine Eigenschaft bestimmen, was ein Chemiker mit seiner Erfahrung abgleichen kann.

Labordaten auswerten: Rezepturen aus Excel, Scans und Karten holen

Vor jedem Modell müssen die Rezepturen in einer Tabelle stehen. Die Seite von ki-syndikat zur Rezepturdokumentation in der Kunststoffverarbeitung nennt, wo sie heute liegen: Excel-Dateien, PDF-Scans, Papiernotizen, handschriftliche Produktionskarten, PDF-Laborberichte, gescannte Chargendokumente und Lieferanten-Datenblätter. Sie zitiert eine Umfrage von 2023 unter 266 deutschen Industrie­unternehmen, in der 76 Prozent massiven Wissensverlust durch Stellenwechsel angaben; das ist der betriebliche Grund, hier anzufangen, noch vor jeder Vorhersage.

Das Lesen der Papierunterlagen ist GPU-Arbeit. Ein Vision-Language-Modell, ein KI-Modell, das eine Seite als Bild liest, schreibt jede Karte oder jeden Bericht in feste Felder ab: Rohstoff und Lieferant, Menge, Einheit, Prozessschritt, Temperatur, Zeit, Prüfmethode und Ergebnis. Die Seite von ki-syndikat nennt 95 Prozent und mehr OCR-Genauigkeit für sauberen Druck und 60 bis 75 Prozent für schwer leserliche Handschrift ohne eigenes Training, mit Verweis auf das Benchmarking eines OCR-Anbieters; die handschriftlichen Produktionskarten der 1990er- und 2000er-Jahre beschreibt sie als häufig ältesten und kritischsten Teil des Bestands. Sie nennt auch die Folge: Jede per OCR extrahierte Rezeptur muss von einer Fachkraft geprüft werden, bevor sie als produktive Rezeptur gilt. Planen Sie die Prüfzeit des Chemikers in das Projekt ein; sie ist meist der größte Aufwand.

Zwei Details sparen später Arbeit. Verwenden Sie einen Namen je Rohstoff und ordnen Sie Handelsnamen und Lieferantencodes in einer Tabelle zu. Und erfassen Sie Einheit und Prüfmethode mit jedem Wert, denn eine Viskosität, die mit anderer Spindel oder Temperatur gemessen wurde, ist eine andere Zahl.

Wir liefern Labor-Workstations und Server mit Karten der RTX PRO 5000 und RTX PRO 6000 für diese Arbeit, und unser Private-AI/ML-Service richtet das Abschreiben und den Laborassistenten ein; schicken Sie uns eine Beschreibung Ihrer Rezepturdaten und der Eigenschaften, die Sie prüfen, und unser Team antwortet mit einem Vorschlag.

Welche Schritte eine GPU brauchen

Dokumentation von scikit-learn 1.9.1 zu Gauß-Prozessen, README von BoTorch auf GitHub, Dokumentation und README von Chemprop 2.3.1, alle gelesen am 25. Oktober 2026; „läuft auf“ ist unsere Einschätzung für Datensätze mit einigen Hundert Rezepturen.

Das README von BoTorch nennt native Unterstützung für hochparallele moderne Hardware, etwa GPUs, als einen seiner Vorteile; derselbe Code läuft also auf einer Karte schneller, wenn die Modelle wachsen. Bei einigen Hundert Rezepturen ist der Gewinn klein; ihren Platz verdient die Karte mit den Sprach- und Dokumentenmodellen.

Molekulare Modelle. Chemprop, ein Projekt unter MIT-Lizenz, stellt Message-Passing-Netze für die Vorhersage molekularer Eigenschaften bereit, und seine Dokumentation (Version 2.3.1) hat Abschnitte zu Modellen mit mehreren Komponenten. Solche Modelle brauchen für jede Komponente eine Molekülstruktur. Viele Rohstoffe in Rezepturen sind Mischungen, Harze oder Polymere unter einem Handelsnamen, für die es keine einzelne Struktur gibt; diese Modelle helfen daher vor allem dort, wo die Bestandteile definierte Stoffe sind, etwa Lösemittel, Monomere oder Additive.

Ein Laborassistent für Journale und Datenblätter

Den direktesten Nutzen bringt vielen Laboren ein Sprachmodell, das Fragen zu den eigenen Dokumenten des Labors beantwortet: frühere Berichte, Journaleinträge, Rohstoff-Datenblätter und Sicherheits­daten­blätter. Ein Chemiker fragt, welche Bindemittel für ein bestimmtes Substrat versucht wurden, was mit der Haftung bei niedriger Temperatur geschah oder welcher Lieferant eine Type geändert hat, und erhält eine Antwort mit den Quelldokumenten. Unser Leitfaden zu RAG auf Unternehmensdaten erklärt, wie eine solche Suche funktioniert; unsere Leitfäden zu Laborberichten in der Produktentwicklung und Sicherheits­daten­blättern mit lokaler KI behandeln benachbarte Aufgaben.

Qwen3.8-27B ist dafür ein geeignetes offenes Modell: Seine Karte beschreibt es als natives Vision-Language-Modell, es steht unter Apache 2.0, und sein FP8-Checkpoint hat 30,9 GB, 28,75 GiB. Nach unserer Regel für Nutzer je Karte, 90 Prozent des vom Treiber gemeldeten Speichers abzüglich 3 GiB je Karte, hält eine RTX PRO 5000 72 GB 61,5 GiB, wie unser Vergleich zwei RTX PRO 5000 72 GB oder eine RTX PRO 6000 Max-Q herleitet. Es bleiben 32,8 GiB für den Cache. Unser Leitfaden zu den Hardware­anforderungen von Qwen setzt den Cache dieses Modells, wie in allen unseren Berechnungen in FP8 gespeichert, mit etwa 1,14 GiB je Konversation mit 32.768 Token an, den Zustand der Linear-Attention-Schichten eingeschlossen; eine Karte bedient damit nach unserer Schätzung 28 solche Konversationen gleichzeitig. Ein Laborteam von 20 bis 40 Personen hat selten mehr als einige Fragen zugleich offen. Dasselbe Modell kann Rezepturkarten abschreiben, da es Bilder liest.

Workstation oder Server für das Labor

Produktseite der NVIDIA RTX PRO 5000 (gelesen am 25. Oktober 2026); nutzbarer Speicher und Leistung nach unseren Schätzungen wie in unserem Vergleich RTX PRO 5000 und Max-Q und der Einstiegskonfiguration auf unserer Seite zu KI-Servern (Karten, Prozessor oder Prozessoren, plus 15 Prozent für den Rest des Systems).

Zwei RTX PRO 5000 72 GB in einer Workstation. Die NVIDIA RTX PRO 5000 Blackwell ist eine Karte mit 300 W, zwei Slots und aktivem Lüfter; NVIDIAs Seite nennt 72 GB GDDR7 mit ECC, 1.344 GB/s für das 48-GB-Modell und MIG mit bis zu zwei isolierten Instanzen. Zwei Karten nehmen 600 W auf, die Workstation nach unserer Schätzung etwa 1,1 kW an der Steckdose, an einem gewöhnlichen 230-V-Stromkreis. Eine Karte betreibt den Laborassistenten, die andere das Abschreiben oder das Training, oder sie wird für zwei Aufgaben in zwei isolierte Instanzen geteilt; NVIDIAs Datenblatt nennt für die 72-GB-Karte zwei Instanzen mit 36 GB, die NVIDIAs MIG-Leitfaden noch nicht aufführt. Unser Leitfaden zum Kauf einer Workstation mit RTX PRO 5000 72 GB listet die Teile.

Zwei RTX PRO 6000 Max-Q in einer Workstation. Die NVIDIA RTX PRO 6000 Blackwell Max-Q Workstation Edition hat 96 GB mit 1.792 GB/s bei denselben 300 W je Karte. Zwei davon nehmen dieselbe Leistung auf wie zwei RTX PRO 5000 72 GB und halten 83,0 GiB je Karte statt 61,5, Platz für etwa 47 Konversationen mit 32K Token mit demselben Modell, und jede Karte lässt sich in zwei MIG-Instanzen mit 48 GB oder vier mit 24 GB teilen. Wenn das Budget es zulässt, ist das die stärkere Labor-Workstation; das Paar RTX PRO 5000 passt zu Laboren, deren zweite Karte vor allem kleinere Aufgaben übernimmt.

Ein Server für das Unternehmen. Wo auch andere Abteilungen KI-Arbeit planen, dient der Einstiegsserver auf unserer Seite zu KI-Servern mit zwei Karten der RTX PRO 6000 Server Edition, zwei AMD-EPYC-Prozessoren und 384 GB Speicher dem Labor gemeinsam mit ihnen, nach unserer Schätzung bei etwa 1,8 kW, in einem Serverraum. Zugriffsrechte entscheiden dann, wer Rezepturen sieht: Die Entwicklung sieht Rezepturen, die Produktion die Parameter, die sie braucht.

Hinweise für das IT-Team

1. Software. BoTorch braucht laut README Python 3.11 oder neuer und PyTorch 2.0.1 oder neuer; die Dokumentation von Chemprop und scikit-learn zeigte am 25. Oktober 2026 die Versionen 2.3.1 und 1.9.1. Die Karten der RTX PRO Blackwell haben Compute Capability 12.0; der PyTorch-Build muss sie unterstützen, wie unser Leitfaden zur Softwareunterstützung der RTX PRO Blackwell erklärt.
2. Serving. Betreiben Sie das Assistenzmodell mit vLLM hinter einem LLM-Gateway mit Schlüsseln und Abfrageprotokoll. Laut Karte von Qwen3.8 ist der Denkmodus standardmäßig an und lässt sich je Anfrage abschalten; lassen Sie ihn für Analysefragen an und schalten Sie ihn für das Abschreiben ab.
3. Datenmodell. Speichern Sie Rezepturen in einer Datenbank mit einer Zeile je Komponente und Ansatz, Einheiten und Prüfmethoden in eigenen Feldern und einem Verweis auf das Quelldokument jedes Werts.
4. Zugriff. Rezepturen sind Geschäftsgeheimnisse: getrennte Rollen für Entwicklung, Produktion und Qualität, den Server ohne Internetzugang betreiben und Zugriffe auf die Rezepturdatenbank protokollieren.
5. Sicherung. Die Rezepturdatenbank wird zum Gedächtnis des Labors; nehmen Sie sie und die gescannten Originale in den Sicherungsplan auf.

Was wir liefern

Sie können dieses System bei uns kaufen: Unser Team bemisst die Konfiguration nach Ihrer Arbeitslast und Ihrem Budget und antwortet innerhalb eines Werktages. Wir bauen Labor-Workstations mit zwei RTX PRO 5000 72 GB oder zwei RTX PRO 6000 Max-Q und Server mit Karten der RTX PRO 6000 Server Edition auf Bestellung, vor der Lieferung montiert und getestet, mit Lieferung in die gesamte EU, einem EU-Vertrag und einer Rechnung, mit Herstellergarantie auf jede Komponente, die über uns abgewickelt wird; Mengen und Lieferzeit werden mit dem Angebot schriftlich bestätigt. Unser Service Private AI/ML, mit unserem Engineering-Partner Vixen.UNO, richtet das Abschreiben, den Laborassistenten und die Suche in Ihren Dokumenten ein; nennen Sie uns die Produktfamilien und Dokumente, mit denen Sie beginnen würden, und wir schlagen einen ersten Schritt vor.

FAQ