MÜNCHEN / LONDON (IT BOLTWISE) – Alqem will mit Künstlicher Intelligenz Hochleistungsmagnete entwickeln, die ohne Seltene Erden auskommen. Die Munich Startup-Story adressiert damit ein technisches Kernproblem und gleichzeitige Lieferketten-Risiken, die für Motoren, Windenergieanlagen und Robotik relevant sind. Statt bei der reinen Vorhersage vielversprechender Verbindungen zu stoppen, koppelt das Team Datenbank, Eigenschaftsmodelle und ein LLM an die Labor-Synthese. Für Industriepartner zählt dabei vor allem der Weg von der Modellierung zur tatsächlich charakterisierten Probe.
Alqem, ein Startup aus München, setzt Künstliche Intelligenz nicht nur als Werkzeug für die Materialvorhersage ein, sondern als Steuerungslogik für den kompletten Forschungs- und Entwicklungszyklus. Im Zentrum steht der Engpass „Hochleistungsmagnete ohne Seltene Erden“: Permanentmagnete stecken laut CEO Hanh Nguyen in Elektrofahrzeugen, in Windkraftanlagen und in Robotern, deren Leistungsfähigkeit damit direkt an die Verfügbarkeit von Rohstoffen gekoppelt ist. Seltene Erden sind jedoch durch fragilen Transport, geopolitische Konzentration und damit durch schwer planbare Lieferbedingungen geprägt. Alqem adressiert diese Abhängigkeit, indem das Unternehmen KI nutzt, um Alternativen mit vergleichbarer Funktionalität zu entdecken und praktisch herzustellen.
Technisch beschreibt Alqem seine Plattform als abgestimmte Kette aus mehreren KI-Komponenten. Das Fundament bildet „Alexandria“, eine weit verbreitete Open-Source-Materialdatenbank, auf deren Expertise die Modelle aufbauen. Darauf folgen spezialisierte Module für die Eigenschaftsprognose („Al-oracle“) und ein Learning-Level Model (LLM) („Al-forge“), das die Synthese im Labor anleiten soll. Bemerkenswert ist die Zielsetzung: Nicht die bloße Identifikation einer chemischen Kandidatenverbindung ist der Engpass, sondern das „Abschließen“ des Prozesses zu einem echten Magneten. Genau diese Kopplung von Daten, Vorhersage und Synthese wird als Kernfähigkeit herausgestellt.
Im Markt bewegt sich die Materialforschung gerade in Richtung KI-gestützter Workflows, doch viele Ansätze bleiben nach dem Screening stehen. Während ein Teil der Industrie primär auf das Finden von Kandidaten setzt, diskutieren andere Teams stärker über die Frage, wie Experimente systematisch in den Regelkreis kommen. Alqem positioniert sich hier gegen eine reine Prognose-Strategie und betont, dass die Plattform den Übergang von „Vorhersage“ zu „charakterisierten Proben“ abbildet. Wettbewerb zeigt sich dabei nicht nur in Startups, sondern auch bei etablierten Akteuren: Google DeepMind und andere Forschungsgruppen treiben KI-Methoden für Materialdesign voran, und auch Unternehmen wie NVIDIA oder IBM fördern KI-getriebene Wissenschaftsworkflows. Entscheidend wird sein, ob sich solche Plattformen in der Praxis so integrieren lassen, dass Labore wirklich schneller iterieren.
Ein historischer Blick erklärt, warum dieser Schritt schwer ist. Klassische Materialentwicklung stützt sich auf robuste Materialchemie, auf Erfahrungswissen und auf iteratives Testen. Rein rechnerische Verfahren liefern Kandidaten, aber die Synthesebedingungen—Reinheit, Temperaturprofile, Abkühlraten, Legierungsverhalten—sind oft nicht vollständig im Modell enthalten. Genau hier entstehen im Alltag große Abweichungen zwischen berechneten Eigenschaften und tatsächlich erreichbaren Resultaten. Alqem verweist deshalb auf experimentelle Ergebnisse, die innerhalb der erwarteten Standardabweichungen zu den Vorhersagen liegen. Für Unternehmen ist das wichtig, weil sie nicht nur „Paper-Kandidaten“ brauchen, sondern belastbare Vorstufen für die Serienentwicklung und die Qualitätssicherung.
Für die Marktwirkung ist dabei weniger die „KI an sich“ relevant als die Branchenwirkung über Lieferketten und Design-Freiheit. Wenn Permanentmagnete ohne Seltene Erden verfügbar werden, verändert das die Verhandlungsposition gegenüber Lieferanten und reduziert das Risiko von Produktionsstopps, Preisschocks oder politisch bedingten Exportrestriktionen. Das gilt besonders für Industrieanwendungen mit hohen Stückzahlen und langen Qualifikationszyklen, etwa in der Antriebstechnik oder in der Energieerzeugung. Alqem plant zudem einen klaren Fokus: In den kommenden Monaten soll das Problem „Magneten ohne Seltene Erden“ priorisiert werden, während die Plattform später auf weitere kritische Materialien ausgedehnt werden könnte. Diese Roadmap entspricht dem Muster vieler erfolgreicher Deeptech-Teams, die zunächst einen scharf umrissenen Use Case liefern und danach die Architektur verbreitern.
Expertenseitig lässt sich die Erfolgschance vor allem an zwei Kriterien messen: an der tatsächlichen Validierung im Labor und an der Bereitschaft von Industriepartnern, aus einem Pilot in eine gemeinsame Weiterentwicklung zu gehen. Alqem nennt für ein Jahr als Zielbild mindestens einen validierten seltene-erdmetallfreien Magnetkandidaten, der den Weg von der Vorhersage zur Entwicklung realer, charakterisierter Proben gefunden hat. Darüber hinaus sollen Industriepartner sich zur gemeinsamen Weiterentwicklung verpflichten. Das ist mehr als ein Fortschrittsmarker; es wirkt wie ein Qualitätsgates in Richtung „Technology Readiness“, denn ohne Anschlussfähigkeit an Fertigungs- und Prüfprozesse bleiben selbst gut passende Kandidaten strategisch wertlos. Als Vergleichsfolie gilt: Viele Forschungsinitiativen scheitern nicht an der Modellgüte, sondern am Transfer.
Bei aller Technik darf der regulatorische und organisatorische Rahmen nicht unterschätzt werden. KI-gestützte Materialentwicklung produziert Daten über Zusammensetzungen, Syntheseparameter und Messergebnisse—und damit potenziell sensible Betriebs- oder IP-relevante Informationen. Für den Enterprise-Einsatz wird daher entscheidend, wie Alqem mit Datenzugriffen, Laborprotokollen und Modellversionen umgeht: Rollenbasierte Rechte, saubere Audit-Trails, klare Regeln zur Datenminimierung und zur Zweckbindung sowie Sicherheitsmaßnahmen gegen unbefugte Weitergabe. Auch wenn der Input selbst keine Details nennt, gehört gerade in der Tiefe-Industrie die Frage „Welche Daten verlassen das Labor?“ zur Pflicht. Zudem müssen Verträge für Industriepartner regeln, wem welche Erkenntnisse, Aufbauten oder Parameter später gehören.
Der Ausblick auf die nächsten Schritte ist damit zugleich konkret und strategisch: Alqem folgt der Idee, dass „bessere Materialien“ durch bessere Prozesse schneller auffindbar werden. Die Kombination aus Materialdatenbank, Eigenschaftsmodell und LLM-gestützter Synthese-Steuerung könnte künftig noch stärker automatisiert werden, etwa durch engeren Experiment-Feedback-Loop, robustere Fehlerabschätzung und Messoptimierung. Wenn das Team die geplanten Validierungsschritte erreicht, entsteht ein Blueprint, der auch für andere kritische Materialklassen genutzt werden kann—vom Magneten hin zu weiteren Bauteilen, die von Lieferkettenabhängigkeiten geprägt sind. Für Entwickler in der Industrie bedeutet das: Wer KI-Forschung mit Laborbetrieb koppelt, braucht nicht nur Modelle, sondern vor allem ein verlässliches Zusammenspiel aus Datenmanagement, Prozessführung und Qualitätsvalidierung.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Alqem aus München: KI-gestützte Materialsuche für Magneten ohne Seltene Erden" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Alqem aus München: KI-gestützte Materialsuche für Magneten ohne Seltene Erden" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Alqem aus München: KI-gestützte Materialsuche für Magneten ohne Seltene Erden« bei Google Deutschland suchen, bei Bing oder Google News!