James Webb blickt in die Kinderstube der Sterne – Neue Erkenntnisse aus Messier 51

Fast 9000 Sternhaufen liefern neue Einblicke in die Entstehung von Sternen, Galaxien und Planetensystemen

Das Universum erscheint auf den ersten Blick ruhig und unveränderlich. Betrachtet man den Nachthimmel, scheinen Sterne fest an ihren Positionen zu stehen und Galaxien wie statische Inseln aus Licht im kosmischen Ozean zu schweben. Tatsächlich herrscht jedoch ein permanenter Wandel. Sterne entstehen, entwickeln sich über Millionen oder Milliarden Jahre und verschwinden schließlich wieder. Galaxien verändern ihre Struktur, kollidieren miteinander und bilden fortlaufend neue Generationen von Sternen.

Eine der wichtigsten Fragen der modernen Astrophysik lautet daher: Wie genau entstehen Sterne? Obwohl Astronomen dieses Thema seit Jahrzehnten erforschen, sind zahlreiche Details noch nicht vollständig verstanden.

Neue Beobachtungen des James-Webb-Weltraumteleskops könnten nun helfen, einige dieser offenen Fragen zu beantworten. Ein internationales Forschungsteam analysierte fast 9000 Sternhaufen in vier nahegelegenen Galaxien. Zu den untersuchten Objekten gehört auch die berühmte Spiralgalaxie Messier 51 (M51), die wegen ihrer charakteristischen Form häufig als Whirlpool-Galaxie bezeichnet wird.

Die Whirlpool-Galaxie – ein kosmisches Labor

Messier 51 befindet sich ungefähr 31 Millionen Lichtjahre von der Erde entfernt im Sternbild Jagdhunde. Sie zählt zu den bekanntesten Galaxien am Himmel und wurde bereits im Jahr 1773 entdeckt.

Für Astronomen ist sie besonders wertvoll, weil ihre Spiralstruktur außergewöhnlich klar sichtbar ist. Ihre Spiralarme wirken wie riesige Förderbänder für die Sternentstehung. In diesen Bereichen sammeln sich große Mengen aus:

• Wasserstoffgas
• Staubpartikeln
• dichten Molekülwolken
• jungen Sternpopulationen

Diese Regionen können als gigantische Sternfabriken betrachtet werden.

Wie Sterne geboren werden

Die Geburt eines Sterns beginnt in dichten Wolken aus Gas und Staub. Durch Gravitation beginnen einzelne Bereiche innerhalb solcher Wolken langsam zu kollabieren.

Dabei steigt der Druck im Zentrum an, gleichzeitig nimmt die Temperatur immer weiter zu.

Erreicht das Zentrum schließlich mehrere Millionen Grad, startet die Kernfusion: Wasserstoff wird in Helium umgewandelt und enorme Energiemengen werden freigesetzt.

Ein neuer Stern ist geboren.

Doch dieser Prozess findet tief verborgen im Inneren dichter Staubregionen statt. Genau hier stößt sichtbares Licht an seine Grenzen.

Warum James Webb anders arbeitet

Normale optische Teleskope können viele dieser Regionen nur eingeschränkt beobachten, da Staub sichtbares Licht blockiert.

Das James-Webb-Weltraumteleskop arbeitet dagegen überwiegend im Infrarotbereich. Infrarotstrahlung besitzt längere Wellenlängen und kann Staub wesentlich besser durchdringen.

Dadurch erhalten Wissenschaftler erstmals direkte Einblicke in Bereiche, die zuvor weitgehend verborgen waren.

James-Webb-Weltraumteleskop (JWST)

• Start: Dezember 2021
• Spiegelgröße: 6,5 Meter
• Position: Lagrange-Punkt L2
• Entfernung von der Erde: rund 1,5 Millionen Kilometer
• Arbeitsbereich: nahes und mittleres Infrarot

Die überraschende Entdeckung

Die Untersuchung der nahezu 9000 Sternhaufen zeigte einen interessanten Zusammenhang:

Massereiche Sternhaufen scheinen ihre Umgebung schneller zu verändern als kleinere Sternpopulationen.

Junge Sterne geben große Mengen Energie ab:

• intensive UV-Strahlung
• Sternwinde
• Schockwellen
• spätere Supernova-Explosionen

Diese Prozesse drücken Gas und Staub aus der Umgebung heraus und verändern die Bedingungen für weitere Sternentstehung erheblich.

Warum diese Ergebnisse wichtig sind

Die Entstehung von Sternen beeinflusst direkt die Entwicklung ganzer Galaxien. Außerdem entstehen Planeten aus Scheiben aus Staub und Gas um junge Sterne.

Verändert sich die Umgebung schneller als bisher angenommen, könnte dies langfristig Auswirkungen auf die Bildung zukünftiger Planetensysteme und möglicherweise sogar auf lebensfreundliche Welten haben.

Warum bestehen Proteine aus genau etwa 20 Aminosäuren? Eine neue Studie sucht die Antwort in der elementaren Zusammensetzung des Lebens

Proteine gehören zu den zentralen Molekülen des Lebens. Sie bilden Enzyme, Transportmoleküle, Signalstoffe, Strukturfasern und molekulare Maschinen. Obwohl die Vielfalt der Proteine praktisch unüberschaubar ist, beruhen fast alle bekannten biologischen Proteine auf einem erstaunlich kleinen Alphabet: rund 20 proteinogenen Aminosäuren.

Eine neue arXiv-Studie mit dem Titel “Deep-time consistency in proteome elemental composition across cellular and viral life” stellt nun eine spannende Frage: Könnte die Auswahl dieses Aminosäurealphabets nicht nur durch chemische Verfügbarkeit, Evolution oder Funktion geprägt worden sein, sondern auch durch eine tiefere elementare Ordnung der Proteome?

Das Grundproblem: Warum gerade diese Aminosäuren?

Aus chemischer Sicht wäre ein viel größeres Aminosäurealphabet denkbar. Es gibt zahlreiche Moleküle, die theoretisch als Bausteine von Proteinen dienen könnten. Dennoch verwendet das Leben auf der Erde fast überall denselben Satz von etwa 20 Aminosäuren. Diese Beobachtung gehört zu den großen offenen Fragen der Evolutionsbiochemie.

Traditionell wurde diese Frage häufig aus drei Perspektiven betrachtet: Welche Aminosäuren waren auf der frühen Erde verfügbar? Welche Aminosäuren eignen sich besonders gut für stabile Faltungen? Und welche Rolle spielte der genetische Code bei der Festlegung des modernen Proteinbaukastens?

Die neue Studie ergänzt diese Debatte um einen weiteren Blickwinkel: Nicht nur einzelne Aminosäuren könnten entscheidend sein, sondern die elementare Gesamtbilanz ganzer Proteome. Gemeint ist also das Verhältnis von Elementen wie Kohlenstoff, Wasserstoff, Stickstoff, Sauerstoff und Schwefel in der Gesamtheit aller Proteine eines Organismus oder Virus.

Proteome als chemische Fingerabdrücke

Ein Proteom ist die Gesamtheit aller Proteine, die ein Organismus, eine Zelle oder ein Virus herstellen kann. Die untersuchte Arbeit vergleicht tausende Proteome aus Bakterien, Archaeen, Eukaryoten und Viren. Dabei geht es nicht nur um Sequenzen, sondern um die chemische Zusammensetzung der Proteine selbst.

Das überraschende Ergebnis: Trotz enormer Unterschiede in Evolution, Lebensweise, Genomgröße und Proteomumfang liegen die Proteome offenbar in einem sehr engen Bereich elementarer Zusammensetzung. Mit anderen Worten: Das Leben scheint seine Proteine nicht beliebig aus dem chemischen Raum zusammenzusetzen, sondern folgt einer auffallend stabilen elementaren Ordnung.

Warum ist das bemerkenswert?

Auf den ersten Blick könnte man vermuten, dass ähnliche Proteome einfach ähnliche Aminosäurehäufigkeiten besitzen. Die Studie argumentiert jedoch, dass die elementare Konstanz stärker eingeschränkt ist als bloße Aminosäurefrequenzen oder einzelne physikochemische Eigenschaften. Das heißt: Selbst wenn sich Sequenzen, Funktionen und Organismen stark unterscheiden, bleibt die Gesamtbilanz der Elemente erstaunlich stabil.

Besonders interessant ist der Befund bei Viren. Viren haben keinen einheitlichen gemeinsamen Ursprung wie zelluläre Organismen. Trotzdem scheinen ihre Proteome denselben elementaren Bereich zu besetzen wie die Proteome zellulären Lebens. Das deutet darauf hin, dass nicht nur Abstammung, sondern allgemeinere biochemische Zwänge eine Rolle spielen könnten.

LUCA und der Blick in die Frühzeit des Lebens

Ein wichtiger Teil der Studie betrifft LUCA, den Last Universal Common Ancestor, also den letzten gemeinsamen Vorfahren allen heutigen zellulären Lebens. Natürlich kann man LUCA nicht direkt untersuchen. Forschende rekonstruieren seine möglichen Proteine und Gene anhand vergleichender Genomik und evolutionärer Modelle.

Die Studie vergleicht moderne Proteome mit verschiedenen unabhängigen LUCA-Rekonstruktionen. Das Ergebnis ist bemerkenswert: Die rekonstruierten LUCA-Proteome liegen offenbar bereits im selben engen Bereich elementarer Zusammensetzung wie heutige Bakterien und Archaeen.

Das würde bedeuten: Diese elementare Ordnung der Proteome könnte sehr früh in der Evolution entstanden sein – möglicherweise schon bevor sich die großen Linien des Lebens voneinander trennten.

Reduzierte Aminosäurealphabete: Was passiert, wenn man das Alphabet verkleinert?

Um die Rolle des modernen Aminosäurealphabets zu testen, vergleichen die Forschenden heutige Proteome mit synthetisch erzeugten Proteomen aus reduzierten, urtümlich wirkenden Aminosäurealphabeten. Solche reduzierten Alphabete enthalten weniger Bausteine und sollen mögliche frühe Stadien der Proteinentwicklung simulieren.

Das Ergebnis: Obwohl solche reduzierten Alphabete teilweise noch hohe Sequenzähnlichkeit zu heutigen Proteinen behalten können, verschieben sie die elementare Zusammensetzung systematisch aus dem modernen Bereich heraus. Gleichzeitig verändern sie den möglichen Faltungsraum und die Beziehung zwischen chemischer Zusammensetzung und vorhergesagter Proteinstruktur.

Das ist biologisch bedeutsam. Denn Proteine sind nicht nur lineare Ketten, sondern müssen sich zu funktionalen dreidimensionalen Strukturen falten. Wenn ein reduziertes Alphabet zwar ähnliche Sequenzen erzeugt, aber andere elementare Regime und andere Strukturbeziehungen hervorbringt, spricht das dafür, dass das moderne Alphabet eine besondere chemisch-strukturelle Stabilität besitzt.

Eine neue Perspektive auf die Entstehung des Aminosäurealphabets

Die zentrale Aussage der Studie lautet nicht einfach: „Das Leben verwendet 20 Aminosäuren, weil diese zufällig verfügbar waren.“ Vielmehr entsteht ein komplexeres Bild. Das moderne Aminosäurealphabet könnte sich stabilisiert haben, weil es Proteome ermöglicht, die in einem bestimmten elementaren Gleichgewicht liegen.

Dieses Gleichgewicht betrifft die gesamte Proteomorganisation: die Verteilung von Kohlenstoff, Stickstoff, Sauerstoff, Wasserstoff und Schwefel, die Faltbarkeit von Proteinen, die strukturelle Vielfalt und möglicherweise auch die energetischen Kosten der Biosynthese.

Damit verschiebt sich die Frage von der einzelnen Aminosäure hin zum System: Nicht nur ein Baustein ist entscheidend, sondern das Zusammenspiel aller Bausteine im gesamten Proteom.

Was bedeutet das für die Astrobiologie?

Die Ergebnisse könnten auch für die Suche nach außerirdischem Leben interessant sein. Wenn Leben nicht nur bestimmte Moleküle hervorbringt, sondern statistisch erkennbare Muster in der elementaren Zusammensetzung biologischer Molekülsysteme erzeugt, könnten solche Muster als Biosignaturen dienen.

Für die Astrobiologie wäre das wichtig, weil man auf anderen Planeten oder Monden möglicherweise nicht exakt dieselben Moleküle findet wie auf der Erde. Statt nach einem einzelnen „irdischen“ Molekül zu suchen, könnte man nach einer auffälligen Ordnung im chemischen Raum suchen: nach einem Muster, das auf organisierte, selektive Biochemie hindeutet.

Einordnung: Vorsicht, aber großes Potenzial

Wichtig ist: Die Arbeit liegt als arXiv-Preprint vor. Das bedeutet, sie ist öffentlich verfügbar, aber noch nicht zwingend durch ein klassisches Peer-Review-Verfahren einer Fachzeitschrift gegangen. Die Ergebnisse sollten daher als spannender Forschungsbeitrag verstanden werden, nicht als endgültiger Abschluss der Debatte.

Trotzdem ist der Ansatz sehr interessant, weil er Proteine nicht nur als Sequenzen oder Strukturen betrachtet, sondern als elementar organisierte chemische Systeme. Diese Perspektive verbindet Bioinformatik, Evolutionsbiologie, Chemie, Systembiologie und Astrobiologie.

Fazit

Die neue Studie legt nahe, dass die Proteome des Lebens einer tiefen elementaren Ordnung folgen. Trotz Milliarden Jahren Evolution, trotz enormer biologischer Vielfalt und trotz der Sonderstellung von Viren bleibt die elementare Zusammensetzung von Proteomen erstaunlich konstant.

Falls sich dieser Befund bestätigt, könnte er unser Verständnis der frühen Evolution erweitern. Das moderne Aminosäurealphabet wäre dann nicht nur ein historisches Ergebnis des genetischen Codes, sondern auch ein chemisch stabilisierter Baukasten, der Proteome in einem lebensfähigen Bereich des elementaren Raums hält.

Damit liefert die Studie eine faszinierende Antwort auf eine alte Frage: Vielleicht bestehen Proteine nicht zufällig aus genau diesem Alphabet. Vielleicht ist dieses Alphabet ein Ergebnis tiefer chemischer Zwänge, die das Leben schon sehr früh in seiner Geschichte geformt haben.

Quelle

arXiv:2605.19333v1 – Deep-time consistency in proteome elemental composition across cellular and viral life, L. Felipe Benites, Louie Slocombe, Sara I. Walker.

Eine chemische Signatur des Lebens: Wie Forscher im Molekülraum nach außerirdischer Biologie suchen

Die Suche nach außerirdischem Leben gehört zu den großen wissenschaftlichen Fragen unserer Zeit. Bisher konzentrierte sich die Astrobiologie oft auf einzelne Stoffe: Wasser, Methan, Aminosäuren oder andere organische Moleküle. Doch ein neuer wissenschaftlicher Ansatz schlägt vor, nicht nur einzelne Moleküle zu suchen, sondern ganze chemische Muster zu untersuchen.

Ein aktueller Preprint auf arXiv mit der Nummer 2605.19252v1 beschreibt genau diesen Ansatz. Die zentrale Idee lautet: Leben hinterlässt möglicherweise keinen einzelnen universellen Marker, sondern einen statistischen Fingerabdruck im chemischen Raum.

Der chemische Raum ist fast unvorstellbar groß

Schon einfache kleine Moleküle, die nur aus Kohlenstoff, Stickstoff, Sauerstoff und Schwefel bestehen, könnten theoretisch in etwa 10⁶⁰ verschiedenen Varianten auftreten. Dieser chemische Raum ist so groß, dass biologische Systeme nur einen winzigen Ausschnitt davon nutzen.

Genau dieser Ausschnitt ist interessant. Denn wenn Leben bestimmte Molekültypen bevorzugt, dann könnte diese Auswahl selbst zu einer Biosignatur werden.

Was ist ein Van-Krevelen-Diagramm?

Ein wichtiges Werkzeug der Studie sind sogenannte Van-Krevelen-Diagramme. Dabei werden Moleküle nicht nach ihrem Namen sortiert, sondern nach ihren Elementverhältnissen. Besonders wichtig sind zum Beispiel:

• das Verhältnis von Sauerstoff zu Kohlenstoff, also O:C,
• das Verhältnis von Wasserstoff zu Kohlenstoff, also H:C,
• sowie die Häufigkeit von Stickstoff, Schwefel und Phosphor.

Solche Diagramme zeigen, ob ein chemisches System eher lipidartig, proteinartig, kohlenhydratartig oder aromatisch geprägt ist. Für die Astrobiologie ist das spannend, weil man damit nicht nur einzelne Substanzen betrachtet, sondern die Gesamtstruktur eines chemischen Gemisches.

Biologie besetzt besondere Regionen des Molekülraums

Die Forscher analysierten 11.834 mikrobielle Metagenom-Proben und verglichen sie mit 18.000 synthetischen Molekülen aus der Reaxys-Datenbank. Das Ergebnis: Mikrobielle Stoffwechselprozesse besetzen statistisch andere Regionen des chemischen Raumes als synthetische Chemikalien.

Biologische Systeme sind besonders reich an sogenannten Heteroatomen. Dazu gehören Sauerstoff, Stickstoff, Phosphor und Schwefel. Außerdem zeigen biologische Molekülmuster häufig höhere O:C- und H:C-Verhältnisse.

Warum Massenspektrometrie dabei so wichtig ist

Viele Raumsonden verwenden Massenspektrometer, um chemische Zusammensetzungen zu messen. Diese Instrumente können Moleküle oder Molekülfragmente nach ihrer Masse sortieren. Dadurch entstehen Daten, aus denen sich chemische Muster ableiten lassen.

Der neue Ansatz wäre deshalb besonders gut für planetare Missionen geeignet. Eine Sonde müsste nicht zwingend ein bestimmtes Molekül finden. Stattdessen könnte sie prüfen, ob ein ganzes chemisches Muster eher biologisch oder eher nicht-biologisch wirkt.

Skalierungsgesetze: Leben wächst chemisch nicht beliebig

Ein weiterer interessanter Punkt der Studie sind sogenannte Skalierungsgesetze. Die Forscher beobachteten eine sublineare Skalierung. Das bedeutet: Wenn ein biologisches System größer oder komplexer wird, steigt die chemische Vielfalt nicht einfach im gleichen Verhältnis mit.

Das deutet darauf hin, dass biologische Systeme durch energetische, evolutionäre und stoffwechselphysiologische Grenzen geprägt sind. Leben nutzt den chemischen Raum also nicht zufällig, sondern strukturiert.

Eine neue Klasse von Biosignaturen

Das Besondere an diesem Ansatz ist, dass er möglicherweise unabhängig von der konkreten irdischen Biochemie funktionieren könnte. Man sucht nicht nach DNA, Proteinen oder bestimmten bekannten Biomolekülen, sondern nach statistischen Merkmalen lebender chemischer Systeme.

Das ist für die Astrobiologie entscheidend. Außerirdisches Leben muss nicht exakt dieselben Moleküle verwenden wie das Leben auf der Erde. Es könnte aber dennoch ähnliche chemische Organisationsprinzipien zeigen.

Mars, Europa, Enceladus und Titan

Besonders interessant wäre dieser Ansatz für zukünftige Missionen zu Orten, an denen man flüssiges Wasser, organische Chemie oder ehemals lebensfreundliche Bedingungen vermutet. Dazu zählen:

• der Mars,
• der Jupitermond Europa,
• der Saturnmond Enceladus,
• der Saturnmond Titan,
• sowie Kometen und Asteroiden.

Gerade Enceladus ist spannend, weil dort Fontänen aus Eispartikeln und Wasserdampf ins All geschleudert werden. Raumsonden könnten solches Material direkt analysieren, ohne auf der Oberfläche landen zu müssen.

Warum der Ansatz vorsichtig interpretiert werden muss

Wichtig ist: Der Preprint beweist nicht, dass man damit bereits außerirdisches Leben nachweisen kann. Er zeigt vielmehr, dass biologische, synthetische und planetare chemische Datensätze statistisch unterscheidbare Regionen im chemischen Raum einnehmen können.

Damit daraus ein zuverlässiges Werkzeug für Raumfahrtmissionen wird, braucht es standardisierte Messmethoden, große Vergleichsdatenbanken und sehr sorgfältige Kontrollen gegen Fehlinterpretationen.

Fazit: Leben als Muster, nicht nur als Molekül

Die Studie ist deshalb faszinierend, weil sie den Blick auf Biosignaturen erweitert. Leben könnte sich nicht nur durch einzelne Stoffe verraten, sondern durch eine charakteristische Ordnung im chemischen Raum.

Wenn sich dieser Ansatz bestätigt, könnten zukünftige Raumsonden eines Tages nicht nur fragen: „Ist dort Methan?“ oder „Gibt es Aminosäuren?“, sondern viel grundsätzlicher:

Sieht diese Chemie aus wie ein lebendes System?

Quelle

arXiv:2605.19252v1 – Ecological Biosignatures in Chemical Space.

KI und die Zukunft der Arbeit: Schafft künstliche Intelligenz neue Berufe oder ersetzt sie Menschen?

Technologische Revolutionen haben die Arbeitswelt schon immer verändert. Die industrielle Revolution verdrängte viele traditionelle Handwerke, erschuf jedoch Fabrikarbeit, Ingenieurberufe und vollkommen neue Industriezweige. Die Computerrevolution automatisierte zahlreiche Aufgaben, ermöglichte jedoch gleichzeitig neue Berufsfelder wie Softwareentwicklung, Datenanalyse und digitale Medien.

Heute steht die Menschheit vor einer möglicherweise noch tiefgreifenderen Veränderung: der Verbreitung künstlicher Intelligenz (KI). Eine neue Untersuchung von Forschenden des Massachusetts Institute of Technology (MIT) wirft eine zentrale Frage auf:

„Wird KI Arbeitsplätze vernichten – oder neue schaffen?“

Die Ergebnisse zeigen ein komplexes Bild: Technologie zerstört nicht einfach Arbeitsplätze. Stattdessen verschiebt sie Tätigkeiten und erschafft oft völlig neue Spezialisierungen.

Eine Studie über neue Arbeit

Der Arbeitsökonom David Autor vom MIT und seine Kollegen untersuchten historische Beschäftigungsdaten in den USA. Dabei analysierten sie Daten aus Volkszählungen und umfangreichen Arbeitsmarktdatenbanken über mehrere Jahrzehnte.

Die Forscher wollten herausfinden:

• Wer bekommt neue Berufe?
• Wie entstehen neue Tätigkeiten?
• Wer profitiert wirtschaftlich davon?
• Wie lange bleiben neue Fähigkeiten wertvoll?

Junge und gut ausgebildete Menschen profitieren besonders

Die Daten zeigten einen deutlichen Trend:

• Neue Berufe werden überdurchschnittlich häufig von Menschen unter 30 Jahren ausgeübt.
• Hochschulabsolventen profitieren stärker.
• Städtische Regionen entwickeln häufiger neue Tätigkeitsfelder.

Dies könnte verschiedene Ursachen haben:

• Jüngere Menschen lernen neue Technologien oft schneller.
• Universitäten vermitteln aktuelles Fachwissen.
• Städte bündeln Forschung, Unternehmen und Investitionen.

Interessanterweise hatten Personen, die einmal in einem neuen Berufsfeld tätig waren, später eine deutlich höhere Wahrscheinlichkeit, erneut in innovativen Arbeitsbereichen tätig zu werden.

Warum neue Arbeit überhaupt entsteht

Eine besonders interessante Erkenntnis der Studie betrifft die Entstehung neuer Arbeitsfelder.

Viele Menschen stellen sich Innovation ungefähr so vor:

Ein genialer Erfinder hat plötzlich eine revolutionäre Idee.

Die Realität scheint jedoch anders auszusehen.

Große Investitionen erzeugen häufig Nachfrage nach neuem Wissen.

Während des Zweiten Weltkriegs investierte die US-Regierung massiv in Forschung und Produktion:

• Flugzeugtechnik
• Elektronik
• neue Produktionsmethoden
• Materialwissenschaften

Diese Investitionen führten anschließend zur Entstehung völlig neuer Berufe.

Die Studie schätzt, dass zwischen 1940 und 1950 etwa 85–90 % neuer Tätigkeiten technologiegetrieben entstanden.

Der Wert von Spezialwissen

Die Forscher betonen außerdem einen wichtigen wirtschaftlichen Mechanismus:

Wenn jeder Experte ist, ist niemand mehr Experte.

Neue Fähigkeiten besitzen anfangs einen hohen Marktwert, weil nur wenige Menschen sie beherrschen.

Beispiele:

• Autofahren galt früher als besondere Fähigkeit.
• Computerkenntnisse waren in den 1980er und 1990er Jahren selten.
• Der Umgang mit Textverarbeitung war einst Spezialwissen.

Heute gelten diese Fähigkeiten als selbstverständlich.

Dasselbe könnte auch für KI-Kompetenzen gelten.

Und was bedeutet das für künstliche Intelligenz?

Derzeit befürchten viele Menschen, dass KI menschliche Arbeit ersetzt:

• Büroarbeit
• Grafikdesign
• Programmierung
• Übersetzungen
• Kundenservice
• Analysen

David Autor argumentiert jedoch, dass diese Sicht möglicherweise zu einfach ist.

Ein Beruf besteht nicht aus einer einzigen Tätigkeit.

Stattdessen setzt sich ein Beruf aus vielen einzelnen Aufgaben zusammen:

• Kommunikation
• Entscheidungen
• Kreativität
• Fachwissen
• soziale Interaktion

KI könnte einzelne Aufgaben automatisieren, ohne komplette Berufe verschwinden zu lassen.

Mögliche neue Berufe durch KI

Falls sich historische Muster wiederholen, könnten neue Berufsfelder entstehen:

• KI-Trainingsspezialisten
• KI-Ethikberater
• KI-Interaktionsdesigner
• Mensch-KI-Koordinatoren
• Datenkuratoren
• KI-Sicherheitsanalysten
• KI-Gesundheitsassistenten
• Personalisierungsingenieure

Besonders spannend: Medizin und Gesundheitswesen

Ein Bereich besitzt laut den Forschern enormes Potenzial:

Das Gesundheitswesen.

KI könnte dort auf verschiedene Weise eingesetzt werden:

• Diagnoseunterstützung
• Patientenüberwachung
• automatische Dokumentation
• medizinische Analyse
• Personalisierung von Therapien

Dabei könnte KI nicht nur Arbeit ersetzen, sondern neue Tätigkeiten ermöglichen.

Die entscheidende Frage lautet nicht „Ob?“ sondern „Wie?“

Die wichtigste Erkenntnis der MIT-Studie lautet möglicherweise:

Technologie bestimmt nicht automatisch die Zukunft der Arbeit. Menschen bestimmen durch Investitionen, Bildung und politische Entscheidungen, wie Technologie eingesetzt wird.

KI könnte vor allem Arbeitsplätze ersetzen.

Sie könnte aber ebenso neue Tätigkeiten hervorbringen, die heute noch gar nicht existieren.

Fazit

Die Geschichte zeigt, dass technologische Revolutionen fast immer Arbeitsplätze verändert haben. Manche Berufe verschwanden, neue entstanden.

Künstliche Intelligenz dürfte wahrscheinlich keine Ausnahme darstellen.

Die eigentliche Herausforderung liegt möglicherweise nicht darin, Menschen durch KI zu ersetzen – sondern Menschen auf neue Aufgaben vorzubereiten.

Vielleicht stellen Historiker in einigen Jahrzehnten fest, dass unsere heutige Zeit ähnlich bedeutend war wie die industrielle Revolution oder die Erfindung des Computers.

---

Quellenbasis: Massachusetts Institute of Technology (MIT), Arbeitsmarktstudien und Analysen zur Entwicklung neuer Beschäftigungsformen.

Light-Responsive Resin-Like Materials: A New Bridge Between Elastic Crystals and Smart Polymers

Smart materials are beginning to behave less like passive substances and more like tiny machines. A new class of solvent-assisted, light-responsive resin-like materials shows how molecular photoswitches can be used to create flexible, recyclable actuators that move, bend, adhere and even report their own motion through fluorescence.

When light becomes a mechanical command

In modern materials science, one of the most fascinating research goals is the creation of substances that can convert external stimuli into controlled motion. These materials are often called smart actuators. Instead of requiring motors, gears or electronic circuits, they respond directly to triggers such as heat, humidity, pH, electric fields or light.

Light is especially attractive as a stimulus. It can be delivered remotely, switched on and off with high precision, focused onto small areas and tuned by wavelength. A material that bends under ultraviolet light and returns under visible light is not merely changing shape; it is translating photons into mechanical work.

The problem: crystals are powerful, polymers are flexible

Until now, light-responsive actuators have often been built from two broad families of materials: crystalline molecular materials and polymers. Each has major advantages, but also serious limitations.

Crystalline materials can show high energy density because their molecules are ordered in a tightly packed structure. When the molecular arrangement changes, the whole crystal can respond collectively. This makes crystal-based actuators strong and efficient. However, crystals are difficult to process. Their final morphology depends heavily on molecular self-assembly, which is hard to control. A small change in crystallization conditions can produce a very different shape.

Polymers, by contrast, are easier to mold, stretch, bend and process. They are attractive for soft robotics and flexible devices because their properties can be tailored by composition and architecture. But their performance is often strongly dependent on additives, crosslinking chemistry and formulation. This can limit reproducibility, mechanical strength and practical deployment.

A resin-like material between two worlds

The study described here takes a clever middle route. Instead of choosing between a rigid crystal and a conventional polymer, the researchers doped solvent molecules into a small-molecule photosensitive material known as E-BI-TPA-CS. This weakens intermolecular interactions and gives the material a resin-like, manipulable character.

The result is a material that can be shaped quickly and simply. Stretching and other manual operations can produce flexible, multidimensional actuators without elaborate microfabrication. In practical terms, the material behaves more like a processable soft solid while retaining some of the high-performance characteristics associated with ordered molecular systems.

The molecular engine: E–Z isomerization

At the heart of the actuator is a light-driven structural transformation called E–Z isomerization. In the E form, the molecular geometry is relatively extended. Under suitable irradiation, the molecule can switch into the Z form, which has a different spatial arrangement. This molecular-scale movement creates stress inside the material and produces macroscopic deformation.

In this case, ultraviolet and visible light can drive reversible switching of E-BI-TPA-CS. When many molecules switch together, the actuator bends, twists, curls or otherwise changes shape. When the reverse process occurs, the material can move back toward its earlier state.

This is the crucial point: the actuator is not simply heated until it softens. It is controlled by a photochemical change in molecular structure. That gives the system a level of programmability that is highly valuable for future smart devices.

Why solvent doping matters

Solvent molecules play a structural role in this material. By inserting themselves into the molecular system, they reduce the strength of intermolecular interactions. This makes the material less brittle and easier to reshape.

In a conventional crystal, strong packing forces can make deformation difficult or lead to cracking. In a polymer, flexibility is easier to obtain, but at the cost of more complex formulation. Here, solvent-assisted preparation offers a simpler route: the material can be manipulated into useful actuator geometries while still preserving photoresponsive performance.

Artificial manipulation instead of complex fabrication

One of the most practical advantages of this approach is fabrication simplicity. The actuators can be prepared by straightforward manual operations such as stretching. This may sound modest, but it is scientifically important.

Many advanced actuator systems require lithography, metal deposition, multistep chemical processing or carefully controlled crystallization. These methods can be powerful, but they are often slow, expensive and difficult to scale. A resin-like photoresponsive material that can be shaped directly lowers the barrier between laboratory discovery and useful device engineering.

Recyclability: motion without permanent destruction

Because the molecular switching process is reversible, the actuators can be recycled. This is a significant point for sustainable materials design. Many functional materials degrade after repeated use because the mechanism of action depends on irreversible chemical changes, mechanical damage or structural fatigue.

Here, the E–Z isomerization can be reversed, and the material can be reshaped or reused. Recyclability is especially important if such actuators are ever to be applied in sensors, switches, soft robots or adaptive surfaces that must operate repeatedly over many cycles.

Adhesion to metal surfaces: toward simple photoswitches

Another notable property is that the photoresponsive material can adhere to metal surfaces. This allows photoswitches to be constructed without complicated procedures such as metal deposition.

That is practically relevant because many smart devices require an interface between a moving soft material and a conductive, reflective or structural metal component. If the actuator can attach directly to metal, device construction becomes simpler. This could be useful for light-controlled switches, microgrippers, optical shutters or responsive contact systems.

Aggregation-induced emission: seeing the actuator work

The material also contains an aggregation-induced emission unit, often abbreviated as AIE. This means that the material can emit light more strongly when its molecular units are aggregated or arranged in certain condensed states.

For actuator research, this is extremely useful. The movement of the actuator can be visually tracked through fluorescence. In other words, the material is not only moving in response to light; it can also help report its own state. This combination of actuation and optical feedback is attractive for diagnostics, sensing and real-time monitoring.

Why this matters for soft robotics

Soft robotics needs materials that are lightweight, deformable and capable of repeated motion. Traditional rigid motors are excellent for many machines, but they are not always ideal for tiny, soft or biologically inspired systems.

A light-responsive actuator could be used to create small grippers, artificial muscles, adaptive surfaces or micro-transport systems. Because light can be delivered remotely, such systems might operate without wires or onboard batteries in certain environments.

The resin-like E-BI-TPA-CS material is interesting because it combines several desirable features: flexible shaping, strong actuation, reversibility, recyclability, metal adhesion and optical traceability.

Possible applications

1. Light-controlled switches

The ability to adhere to metal surfaces makes the material promising for simple photoswitches. A small piece of actuator material could bend under irradiation and open or close a contact.

2. Soft robotic components

The material could be used in miniature soft robotic elements that curl, fold or grip under light. Such systems may be useful where conventional motors are too bulky.

3. Adaptive optical devices

Because the actuator responds to light and can itself show optical emission, it may be useful in shutters, variable apertures or responsive optical surfaces.

4. Sensors with visual feedback

The AIE component allows the actuation process to be followed visually. This opens the door to materials that not only respond to stimuli but also display their response in an observable way.

5. Recyclable smart materials

The reversible nature of the system could contribute to more sustainable smart material platforms, especially if repeated reshaping and reuse are possible.

A broader scientific perspective

The deeper importance of this work lies in the way it challenges the traditional boundary between crystals and polymers. For decades, materials scientists have often treated crystalline molecular materials and polymers as separate design worlds. Crystals offer order and high performance; polymers offer processability and flexibility.

This study suggests that solvent-assisted molecular materials can occupy a productive middle ground. By weakening intermolecular interactions without completely abandoning molecular order, researchers can obtain materials that are both responsive and shapeable.

Limitations and open questions

As promising as this approach is, several questions remain. Long-term fatigue resistance will be important. How many actuation cycles can the material survive before performance declines? How stable is the solvent-doped structure over weeks, months or years? Can the preparation be scaled reliably? How precisely can complex actuator geometries be programmed?

There are also practical engineering questions. For real devices, researchers must understand response speed, mechanical force, environmental stability, humidity sensitivity, temperature dependence and compatibility with electronics or encapsulation layers.

Conclusion: a new design strategy for multifunctional actuators

The development of solvent-doped, resin-like E-BI-TPA-CS photoactuators offers a compelling new strategy for smart materials. By combining the high energy density of crystalline systems with the tailorable and processable properties of polymers, this material platform helps bridge a long-standing gap in actuator design.

Its ability to deform under UV or visible light, recycle through reversible isomerization, adhere to metal surfaces and visually report its movement through aggregation-induced emission makes it more than a simple responsive material. It is a multifunctional platform for future light-controlled devices.

If further optimized, such materials could contribute to soft robotics, optical switches, adaptive surfaces and self-reporting sensors. The central lesson is clear: the future of smart materials may not belong exclusively to crystals or polymers, but to hybrid design principles that combine the strengths of both.

CARA in Dresden: Warum der modernisierte DLR-Supercomputer für Luftfahrt, Raumfahrt und KI wichtig ist

Symbolbild: Supercomputer-Infrastruktur. Bild: NASA / Wikimedia Commons, Public Domain.

Mit der Erneuerung des Supercomputers CARA in Dresden hat das Deutsche Zentrum für Luft- und Raumfahrt, kurz DLR, seine Hochleistungsrechen-Infrastruktur deutlich gestärkt. CARA steht für Computing for Advanced Research in Aerospace und ist weit mehr als nur ein besonders schneller Rechner. Das System ist ein wissenschaftliches Werkzeug, mit dem komplexe technische Prozesse simuliert, große Datenmengen ausgewertet und neue Methoden für Luftfahrt, Raumfahrt, Energie, Verkehr, Quantentechnologien und Künstliche Intelligenz entwickelt werden können.

Am 1. April 2026 wurde der modernisierte Supercomputer offiziell übergeben. Damit reagiert das DLR auf eine Entwicklung, die inzwischen alle großen Forschungsbereiche betrifft: Moderne Wissenschaft braucht nicht nur Labore, Windkanäle, Prüfstände und Satelliten, sondern auch enorme digitale Rechenleistung. Ohne Hochleistungsrechner lassen sich viele Zukunftsfragen kaum noch untersuchen.

Was ist CARA?

CARA ist ein Hochleistungsrechner des DLR am Standort Dresden. Er wird im Umfeld der Technischen Universität Dresden betrieben und ist Teil der Forschungsinfrastruktur, die für numerische Simulationen, Datenanalyse und digitale Produktentwicklung eingesetzt wird.

Der Name zeigt bereits den ursprünglichen Schwerpunkt: Advanced Research in Aerospace, also fortgeschrittene Forschung in Luft- und Raumfahrt. Doch die Aufgaben haben sich erweitert. Heute werden Supercomputer wie CARA auch für Energiefragen, Verkehrsmodelle, Materialsimulationen, KI-Anwendungen und zunehmend auch für quantentechnologische Forschung benötigt.

Warum Supercomputer für moderne Forschung unverzichtbar sind

In vielen technischen Disziplinen reicht es nicht mehr aus, ein einzelnes Bauteil zu entwerfen und anschließend im Labor zu testen. Bevor ein neues Flugzeug, ein Satellitensystem, ein Windrad, ein Fahrzeug oder ein Energiespeicher gebaut wird, entstehen digitale Modelle. Diese Modelle bestehen aus Gleichungen, Gitternetzen, Messdaten und Algorithmen.

Ein Beispiel aus der Luftfahrt: Wenn Forschende untersuchen wollen, wie Luft um einen Flugzeugflügel strömt, müssen sie Strömungsphysik, Turbulenzen, Temperatur, Druck, Materialverhalten und manchmal sogar akustische Effekte berücksichtigen. Schon kleine Änderungen an der Form können große Auswirkungen auf Energieverbrauch, Lärm und Sicherheit haben.

Solche Berechnungen sind für normale Computer viel zu groß. Ein Supercomputer zerlegt die Aufgabe in viele kleinere Rechenpakete und verteilt sie auf tausende Prozessorkerne. Dadurch werden Simulationen möglich, die sonst Monate oder Jahre dauern würden.

Was wurde bei CARA modernisiert?

Die Modernisierung von CARA soll die Rechenkapazitäten des DLR für datenintensive Forschung stärken. Laut DLR ermöglicht das System die Bearbeitung hochkomplexer Simulationen und großer Datenmengen. Die Forschungs- und Entwicklungsprozesse sollen dadurch schneller, präziser und leistungsfähiger werden.

Besonders wichtig ist dabei nicht nur die reine Rechenleistung, sondern auch die Speicherinfrastruktur. Große Simulationen erzeugen enorme Datenmengen. Diese Daten müssen schnell gespeichert, gelesen, ausgewertet und weiterverarbeitet werden. Nach Angaben aus Sachsen soll die Speicherkapazität im Zuge des Upgrades auf rund 30 Petabyte steigen. Das entspricht etwa 30 Millionen Gigabyte.

Die technischen Eckdaten von CARA

Nach DLR-Angaben verfügt CARA über tausende Rechenknoten mit AMD-EPYC-Prozessoren sowie zusätzliche GPU-Knoten mit NVIDIA-A100-Grafikprozessoren. Solche GPUs sind besonders wichtig für KI-Anwendungen, maschinelles Lernen und bestimmte mathematische Simulationen.

Das System ist wassergekühlt. Das ist bei modernen Hochleistungsrechnern entscheidend, weil enorme elektrische Leistung in Wärme umgewandelt wird. Eine effiziente Kühlung senkt nicht nur die Betriebstemperatur, sondern kann auch Energie sparen und die Zuverlässigkeit erhöhen.

Vor der Modernisierung wurde für CARA eine maximale Rechenleistung von 3,2 Billiarden Rechenoperationen pro Sekunde genannt. Durch das Upgrade soll die bisherige Leistung deutlich übertroffen werden. Damit bleibt CARA ein zentrales digitales Werkzeug für die DLR-Forschung.

Warum Dresden ein wichtiger Standort ist

Dresden ist für CARA nicht zufällig gewählt. Die Stadt gehört zu den wichtigsten deutschen Standorten für Mikroelektronik, Softwareforschung und Hochleistungsrechnen. In Sachsen hat sich ein starkes technologisches Umfeld entwickelt, das häufig unter dem Begriff „Silicon Saxony“ zusammengefasst wird.

Für das DLR ist Dresden zudem eng mit der Forschung zur virtuellen Produktentwicklung verbunden. Gemeint ist die digitale Beschreibung technischer Systeme: Bauteile, Flugzeuge, Antriebe oder ganze Verkehrssysteme werden am Computer modelliert, simuliert und optimiert, bevor reale Prototypen entstehen.

CARA und die Zukunft der Luftfahrt

In der Luftfahrt steht die Forschung vor mehreren gleichzeitigen Herausforderungen. Flugzeuge sollen sparsamer, leiser, sicherer und klimaverträglicher werden. Gleichzeitig werden neue Antriebskonzepte untersucht, etwa elektrische oder wasserstoffbasierte Systeme.

Für solche Entwicklungen sind Simulationen unverzichtbar. Ein neuer Antrieb verändert nicht nur den Energieverbrauch, sondern auch Gewicht, Wärmeverteilung, Aerodynamik, Sicherheitssysteme und Wartung. CARA kann helfen, solche Zusammenhänge früh zu berechnen.

Besonders relevant sind dabei:

• Strömungssimulationen an Flügeln, Triebwerken und Rotoren,
• Berechnungen zur Lärmminderung,
• Material- und Strukturuntersuchungen,
• digitale Zwillinge von Flugzeugen,
• Optimierung von Energieverbrauch und Sicherheit.

CARA und Raumfahrt

Auch in der Raumfahrt wächst der Bedarf an Rechenleistung. Satelliten liefern große Datenmengen über Erde, Atmosphäre, Ozeane und Klima. Gleichzeitig müssen Raumfahrzeuge, Sensoren, Bahnmanöver und Kommunikationssysteme exakt geplant werden.

Supercomputer helfen dabei, Missionsszenarien zu berechnen, Strukturen zu testen und Daten aus Erdbeobachtungssystemen auszuwerten. Gerade bei Klima-, Umwelt- und Katastrophenbeobachtung entstehen Datenmengen, die ohne leistungsfähige Rechner kaum noch sinnvoll verarbeitet werden können.

Energie, Verkehr und Klimaforschung

CARA ist nicht nur für Luft- und Raumfahrt relevant. Auch Energie- und Verkehrsforschung profitieren von Hochleistungsrechnern. Windkraftanlagen, Stromnetze, Wasserstoffsysteme, Batterien und Verkehrsströme lassen sich digital untersuchen.

In der Energieforschung können Supercomputer beispielsweise Strömungen an Windrädern simulieren, Verbrennungsprozesse analysieren oder Materialeigenschaften für neue Speichertechnologien berechnen. Im Verkehrsbereich lassen sich Mobilitätsmuster, autonome Systeme und komplexe Verkehrsnetze modellieren.

Künstliche Intelligenz als neuer Treiber des Hochleistungsrechnens

Ein wichtiger Grund für die Modernisierung von Hochleistungsrechnern ist die Künstliche Intelligenz. KI-Modelle benötigen große Datenmengen und sehr viel Rechenleistung. Besonders das Training neuronaler Netze profitiert von GPU-Knoten, wie sie auch bei CARA eingesetzt werden.

Für das DLR ist KI jedoch kein Selbstzweck. Sie kann Simulationen beschleunigen, Muster in Forschungsdaten erkennen, Messdaten auswerten oder technische Systeme optimieren. In Zukunft werden klassische Simulationen und KI-Methoden immer stärker zusammenwachsen.

Was bedeutet CARA für die technologische Souveränität?

Hochleistungsrechnen ist inzwischen auch eine Frage technologischer Souveränität. Wer komplexe Simulationen selbst durchführen kann, ist weniger abhängig von externen Plattformen und kann strategisch wichtige Technologien eigenständig entwickeln.

Das betrifft Luftfahrt, Raumfahrt, Energieversorgung, Verteidigung, Mobilität, Quantentechnologien und KI gleichermaßen. CARA ist deshalb nicht nur ein Forschungsinstrument, sondern auch ein Baustein für die wissenschaftliche und industrielle Wettbewerbsfähigkeit Deutschlands.

Warum Rechenleistung allein nicht reicht

Ein Supercomputer ist nur so gut wie die Software, die auf ihm läuft. Besonders anspruchsvoll ist die Entwicklung von Simulationsprogrammen, die tausende Rechenknoten effizient nutzen. Wenn ein Programm schlecht parallelisiert ist, kann selbst ein sehr großer Rechner seine Leistung nicht ausspielen.

Deshalb sind neben der Hardware auch Algorithmen, Datenmanagement, Visualisierung, Softwaremethoden und wissenschaftliche Modellbildung entscheidend. Genau an dieser Schnittstelle zwischen Technik, Mathematik und Informatik liegt die besondere Stärke moderner HPC-Forschung.

Ein Blick in die Zukunft

Die Modernisierung von CARA zeigt, wohin sich Forschung entwickelt: Reale Experimente bleiben wichtig, aber sie werden zunehmend durch digitale Modelle ergänzt. Der nächste große Fortschritt entsteht oft dort, wo Messdaten, Simulationen und KI zusammengeführt werden.

Für das DLR bedeutet CARA, dass komplexe Zukunftsfragen schneller untersucht werden können: Wie sieht ein klimaverträglicher Luftverkehr aus? Wie lassen sich Satellitendaten besser nutzen? Wie können Energiesysteme effizienter werden? Wie können autonome Fahrzeuge sicherer handeln? Und wie lassen sich neue Materialien oder Antriebe entwickeln, bevor teure Prototypen gebaut werden?

Fazit: CARA ist ein Rechenzentrum für die Zukunft

Mit dem modernisierten Supercomputer CARA investiert das DLR in eine Schlüsseltechnologie der modernen Wissenschaft. Hochleistungsrechnen ist heute nicht mehr nur ein Spezialwerkzeug für wenige Expertinnen und Experten, sondern ein Fundament für Innovation in fast allen technischen Disziplinen.

CARA verbindet Luftfahrt, Raumfahrt, Energie, Verkehr, Quantentechnologien und Künstliche Intelligenz. Damit steht der Dresdner Supercomputer exemplarisch für eine neue Forschungslandschaft, in der digitale Modelle, große Datenmengen und reale Experimente zusammenarbeiten.

Für Deutschland ist das ein wichtiger Schritt: Wer Zukunftstechnologien entwickeln will, braucht nicht nur gute Ideen, sondern auch die Rechenleistung, um sie präzise, schnell und überprüfbar zu erforschen.

Quellen und weiterführende Informationen

• DLR: DLR bringt Supercomputer CARA auf neues Niveau
• DLR: Forschungsinfrastruktur CARA
• TU Dresden / ZIH: Modernisierter DLR-Supercomputer am LZR
• Sächsisches Staatsministerium für Wirtschaft, Arbeit, Energie und Klimaschutz: Innovationen made in Saxony

Hightech Agenda Deutschland: Roadmaps für KI, Mikroelektronik und Fusionsenergie

Im Rahmen der HTAD-Tage vom 18. bis 22. Mai 2026 stellte das Bundesministerium für Forschung, Technologie und Raumfahrt die Roadmaps für die Hightech Agenda Deutschland vor. Damit soll Deutschland in zentralen Zukunftsfeldern wie künstlicher Intelligenz, Mikroelektronik und Fusionsenergie strategisch gestärkt werden.

Die Fraunhofer-Gesellschaft begrüßt diesen Schritt ausdrücklich. Ihr Präsident Prof. Holger Hanselka sieht darin eine Initialzündung für eine konsequentere Innovationspolitik. Prof. Constantin Häfner, Vorstand für Forschung und Transfer, bezeichnet die Agenda als Bauplan für Deutschlands künftige Wettbewerbsfähigkeit.

Warum die Hightech Agenda wichtig ist

Deutschland verfügt über starke Forschungseinrichtungen, Universitäten und Industrieunternehmen. Die große Herausforderung besteht jedoch darin, wissenschaftliche Erkenntnisse schneller in industrielle Anwendungen zu übertragen.

Genau hier setzt die Hightech Agenda Deutschland an. Sie soll Forschung, Entwicklung, Produktion und wirtschaftliche Anwendung enger miteinander verbinden.

Künstliche Intelligenz als Schlüsseltechnologie

Künstliche Intelligenz ist längst mehr als ein digitales Werkzeug für Texte oder Bilder. Sie wird zunehmend zu einer Basistechnologie für Medizin, Industrie, Verwaltung, Energieversorgung und Forschung.

Besonders wichtig ist KI für die deutsche Industrie. Maschinen können mit KI überwacht, Produktionsprozesse optimiert und neue Materialien schneller entwickelt werden. Damit kann KI helfen, klassische industrielle Stärken Deutschlands mit moderner Datenverarbeitung zu verbinden.

Mikroelektronik: Die Grundlage moderner Technik

Mikroelektronik ist das unsichtbare Fundament der modernen Welt. Ohne Halbleiter funktionieren weder Smartphones noch Autos, Medizingeräte, Rechenzentren oder moderne Industrieanlagen.

Die weltweite Chipkrise hat gezeigt, wie abhängig Volkswirtschaften von wenigen Produktionsstandorten geworden sind. Deshalb ist es für Deutschland und Europa strategisch wichtig, eigene Kompetenzen in der Halbleiterentwicklung und Chipproduktion auszubauen.

Fusionsenergie: Forschung an der Energie der Zukunft

Ein weiteres zentrales Feld ist die Fusionsenergie. Sie gilt seit Jahrzehnten als mögliche Energiequelle der Zukunft, weil sie enorme Energiemengen mit vergleichsweise geringen CO₂-Emissionen verspricht.

Deutschland ist in diesem Bereich bereits gut aufgestellt, unter anderem durch die Forschung am Stellarator Wendelstein 7-X in Greifswald. Dennoch bleibt Fusionsenergie technisch extrem anspruchsvoll. Hohe Temperaturen, stabile Magnetfelder, neue Materialien und wirtschaftliche Skalierbarkeit sind weiterhin große Herausforderungen.

Technologietransfer als entscheidender Punkt

Der vielleicht wichtigste Aspekt der Hightech Agenda ist der Technologietransfer. Neue Ideen sollen nicht nur in Laboren entstehen, sondern schneller in Produkte, Verfahren und industrielle Anwendungen überführt werden.

Hier spielt die Fraunhofer-Gesellschaft eine besondere Rolle. Sie arbeitet traditionell an der Schnittstelle zwischen Grundlagenforschung und Industrie. Genau diese Verbindung wird für die kommenden Jahre entscheidend sein.

Fazit

Die Hightech Agenda Deutschland ist mehr als ein politisches Schlagwort. Sie ist der Versuch, zentrale Zukunftstechnologien strategisch zu bündeln und Deutschlands technologische Souveränität zu stärken.

Ob daraus tatsächlich ein neuer Innovationsschub entsteht, hängt davon ab, ob Forschung, Industrie und Politik dauerhaft zusammenarbeiten. Die vorgestellten Roadmaps könnten dafür ein wichtiger Anfang sein.

---

Kurz zusammengefasst

• Die HTAD-Roadmaps setzen Schwerpunkte bei KI, Mikroelektronik und Fusionsenergie.
• Fraunhofer bewertet die Agenda als wichtigen Schritt für Innovation und Technologietransfer.
• Deutschland will Forschung schneller in industrielle Anwendung bringen.
• Halbleiter, KI und Energiefragen werden strategisch immer wichtiger.
• Die Roadmaps sollen langfristig Wettbewerbsfähigkeit und technologische Souveränität stärken.

Schnelle Elektronen gegen Krebs: Wie DESYs Beschleuniger PITZ neue Wege für die Strahlentherapie eröffnet

Ein Forschungsteam aus London und Zeuthen untersucht, ob extrem intensive Elektronenstrahlen künftig helfen könnten, bestimmte Tumoren präziser zu bestrahlen. Im Mittelpunkt steht PITZ, die Photo Injector Test Facility am DESY-Standort Zeuthen in Brandenburg. Was ursprünglich als Testanlage für moderne Beschleunigertechnologie entwickelt wurde, könnte langfristig auch für die Krebsmedizin interessant werden.

Die Studie wurde von Forschenden des Institute of Cancer Research, London, des Royal Marsden NHS Foundation Trust und von DESY durchgeführt. Veröffentlicht wurde sie in der Fachzeitschrift Physics in Medicine & Biology. Untersucht wurde nicht direkt eine Behandlung an Patientinnen und Patienten, sondern ein rechnerisches Modell: Wie gut ließe sich ein sehr schmaler, hochintensiver Elektronenstrahl so steuern, dass oberflächennahe Hirnmetastasen möglichst exakt getroffen werden?

Warum ist das medizinisch interessant?

Strahlentherapie gehört seit Jahrzehnten zu den wichtigsten Säulen der Krebsbehandlung. Das Ziel ist scheinbar einfach: Tumorgewebe soll eine hohe Strahlendosis erhalten, gesundes Gewebe dagegen möglichst wenig belastet werden. In der Praxis ist genau das schwierig. Tumoren liegen oft nahe an empfindlichen Organen, Blutgefäßen, Nervenbahnen oder Gehirnstrukturen. Gerade im Gehirn zählt jeder Millimeter.

Bei Hirnmetastasen handelt es sich um Tochtergeschwülste anderer Krebserkrankungen, die sich im Gehirn angesiedelt haben. Wenn solche Metastasen oberflächennah liegen, also relativ nahe an Schädeldecke und Haut, könnte eine besonders präzise Elektronenbestrahlung theoretisch Vorteile bieten. Elektronen geben ihre Energie anders im Gewebe ab als Photonen oder Protonen. Sie können bei geeigneter Energie und Strahlführung für bestimmte Zielvolumina sehr interessant sein.

Was ist PITZ?

PITZ steht für Photo Injector Test Facility at DESY in Zeuthen. Die Anlage erzeugt sehr helle, sehr kurze und genau kontrollierbare Elektronenpakete. Solche Elektronenstrahlen sind ursprünglich vor allem für die Beschleunigerforschung wichtig, zum Beispiel für Freie-Elektronen-Laser und moderne Teilchenbeschleuniger.

Der besondere Punkt ist: PITZ kann Elektronenstrahlen mit Eigenschaften erzeugen, die weit über das hinausgehen, was in vielen klinischen Standardgeräten üblich ist. Für die Strahlentherapie-Forschung ist das interessant, weil man damit neue Bestrahlungsformen untersuchen kann – darunter auch sogenannte FLASH-Bestrahlung.

Was bedeutet FLASH-Strahlentherapie?

Bei der FLASH-Strahlentherapie wird eine sehr hohe Strahlendosis in extrem kurzer Zeit abgegeben. In der Forschung wird diskutiert, ob dadurch gesundes Normalgewebe geschont werden kann, während die Wirkung auf Tumorzellen erhalten bleibt. Dieser mögliche Schutz-Effekt wird häufig als FLASH-Effekt bezeichnet.

Wichtig ist jedoch: FLASH ist noch kein fertiges Standardverfahren für die breite klinische Routine. Viele Fragen sind offen. Dazu gehören die genaue biologische Ursache des Effekts, die optimale Dosisrate, die technische Kontrolle des Strahls, die Dosimetrie und die Sicherheit im klinischen Alltag. Genau deshalb sind Anlagen wie PITZ so wertvoll: Sie erlauben kontrollierte physikalische und biologische Untersuchungen unter Bedingungen, die mit normalen Klinikgeräten nur schwer erreichbar sind.

Was wurde in der neuen Studie gemacht?

Die Studie entwickelte ein Strahlmodell und ein Rechenverfahren für die Bestrahlungsplanung. Dabei wurden Strahlprofile des Elektronenstrahls von PITZ experimentell in einem Wasserphantom vermessen. Ein Wasserphantom wird in der Medizinphysik häufig verwendet, weil Wasser in seinen Strahlungseigenschaften als Näherung für menschliches Weichgewebe dient.

Auf Grundlage dieser Messungen wurde der Elektronenstrahl mathematisch beschrieben. Anschließend berechneten die Forschenden, wie sich die Dosis im Gewebe verteilen würde. Dafür nutzten sie einen sogenannten Boltzmann-Solver, also ein Rechenverfahren, das die Ausbreitung und Wechselwirkung von Teilchenstrahlung im Material modellieren kann.

Danach wurde das Verfahren auf einen retrospektiven Datensatz von sechs Patientinnen und Patienten mit oberflächennahen Hirnmetastasen angewandt. Es ging also nicht um eine echte Behandlung, sondern um die Frage: Wenn man solche Fälle mit einem gescannten Elektronenstrahl planen würde, welche Dosisverteilung ergäbe sich im Vergleich zu bestehenden Verfahren?

Mit welchen Verfahren wurde verglichen?

Die berechneten Elektronenpläne wurden mit mehreren alternativen Bestrahlungsmethoden verglichen:

• einer passiv gestreuten Protonenbestrahlung bei ultrahoher Dosisrate,
• einer Protonenbogentherapie,
• und einer robotischen Photonenbestrahlung, etwa vergleichbar mit CyberKnife-Konzepten.

Der zentrale Vergleichspunkt war die Qualität der Dosisverteilung. In der Strahlentherapie will man erreichen, dass die therapeutische Dosis möglichst eng dem Tumorvolumen folgt. Gleichzeitig sollen Gehirn und Haut möglichst geschont werden.

Das Ergebnis: präzise Dosisverteilungen für oberflächennahe Zielvolumina

Die Simulationen zeigten, dass gescannte Elektronenstrahlen von PITZ für oberflächennahe Hirnmetastasen sehr günstige Dosisverteilungen erzeugen können. Besonders interessant war der sogenannte Konformitätsindex. Dieser beschreibt vereinfacht gesagt, wie gut die bestrahlte Hochdosisregion mit dem tatsächlichen Zielvolumen übereinstimmt.

In der Studie erreichten die Elektronenpläne einen besseren Konformitätsindex als die verglichenen passiv gestreuten Protonen- und robotischen Photonenpläne. Außerdem blieben wichtige Größen wie die Belastung des Gehirns und die Hautdosis in einem akzeptablen Bereich. Das bedeutet nicht, dass die Methode bereits klinisch einsatzbereit ist. Es bedeutet aber, dass die physikalische und rechnerische Grundlage vielversprechend ist.

Warum gerade Elektronen?

Elektronen werden in der Strahlentherapie bereits seit Langem verwendet, vor allem für eher oberflächliche Tumoren. Klassische klinische Elektronenstrahlen haben jedoch Grenzen: Sie streuen relativ stark und eignen sich nicht für jede Tiefe und Geometrie. Moderne hochenergetische oder sehr präzise gescannte Elektronenstrahlen könnten diese Grenzen teilweise verschieben.

Der Vorteil eines schmalen, steuerbaren Elektronenstrahls liegt darin, dass er wie ein Stift über das Zielvolumen geführt werden kann. Statt ein großes Feld passiv zu formen, kann man viele kleine Strahlpositionen kombinieren. Daraus entsteht eine individuell berechnete Dosisverteilung. Dieses Prinzip kennt man in ähnlicher Form von modernen Protonen- oder Ionenbestrahlungen, dort als Pencil-Beam-Scanning.

Was ist an PITZ besonders?

PITZ ist keine Klinikmaschine, sondern eine Forschungsanlage. Genau das ist hier der Vorteil. Die Anlage kann Strahlparameter bereitstellen, mit denen man neue Konzepte testen kann, bevor sie überhaupt in Richtung klinischer Anwendung gehen. Dazu gehören extrem kurze Elektronenpakete, hohe Strahlintensitäten und eine präzise Kontrolle der Strahlform.

Für die Krebsforschung ist diese Kombination spannend, weil sie drei Forschungsfelder verbindet:

• Beschleunigerphysik: Wie erzeugt man stabile, intensive und exakt steuerbare Elektronenstrahlen?
• Medizinphysik: Wie berechnet man die Dosisverteilung zuverlässig genug für eine mögliche Therapieplanung?
• Strahlenbiologie: Wie reagieren Tumorgewebe und gesundes Gewebe auf ultrakurze, hochintensive Strahlenpulse?

Warum Computersimulationen so wichtig sind

Bevor ein neues Bestrahlungskonzept überhaupt in die Nähe einer klinischen Anwendung kommt, muss die Dosisverteilung extrem genau verstanden werden. In der Strahlentherapie entscheidet die Planung darüber, ob ein Verfahren medizinisch sinnvoll und sicher sein kann.

Computermodelle sind dabei nicht bloß theoretische Spielerei. Sie sind ein notwendiger Schritt zwischen Beschleunigerphysik und Medizin. Erst wenn Messungen, Modelle und Simulationen gut zusammenpassen, kann man beurteilen, ob ein Strahl für eine bestimmte Tumorlage geeignet wäre.

In der Studie stimmten die berechneten Dosisverteilungen im Wasserphantom innerhalb der experimentellen Unsicherheit gut mit den Messdaten überein. Das ist wichtig, weil es zeigt: Das Modell beschreibt den realen PITZ-Strahl offenbar ausreichend genau, um damit weiterführende Planungsstudien durchzuführen.

Was bedeutet das für Patientinnen und Patienten?

Für Patientinnen und Patienten bedeutet diese Arbeit zunächst noch keine neue verfügbare Behandlung. Es handelt sich um Grundlagen- und Translationsforschung. Der Weg von einer vielversprechenden Simulation bis zu einer zugelassenen klinischen Therapie ist lang.

Trotzdem ist die Studie bedeutsam. Sie zeigt, dass ein Beschleuniger wie PITZ nicht nur für die Grundlagenphysik relevant ist, sondern auch neue medizinische Anwendungen vorbereiten kann. Wenn sich die Ergebnisse in weiteren Messungen, biologischen Experimenten und später klinischen Studien bestätigen, könnten hochintensive Elektronenstrahlen eines Tages eine zusätzliche Option für bestimmte Tumorarten werden.

Welche Fragen sind noch offen?

Mehrere zentrale Fragen müssen geklärt werden, bevor aus dieser Forschung eine Therapieform werden könnte:

• Wie stabil und reproduzierbar lässt sich der Elektronenstrahl unter kliniknahen Bedingungen betreiben?
• Wie exakt kann die Dosis bei ultrahoher Dosisrate gemessen werden?
• Welche biologischen Effekte treten bei gesunden Zellen und Tumorzellen tatsächlich auf?
• Für welche Tumorarten und Tumorlagen wäre das Verfahren wirklich besser als heutige Methoden?
• Wie kompakt, sicher und bezahlbar müsste ein entsprechender klinischer Beschleuniger sein?

Gerade die Dosimetrie ist bei FLASH-Bestrahlung anspruchsvoll. Viele klassische Messgeräte wurden für herkömmliche Dosisraten entwickelt. Bei extrem kurzen und intensiven Pulsen können Detektoren anders reagieren. Deshalb müssen Messmethoden, Kalibrierungen und Sicherheitskonzepte weiterentwickelt werden.

Ein Schritt in Richtung personalisierte Präzisionsbestrahlung

Die Studie passt in einen größeren Trend der modernen Onkologie: Krebsbehandlung wird immer stärker personalisiert. Das gilt nicht nur für Medikamente und Immuntherapien, sondern auch für die Strahlentherapie. Moderne Bestrahlung bedeutet nicht mehr einfach, ein Tumorgebiet von außen zu treffen. Es geht darum, individuelle Anatomie, Tumorlage, Bewegungen, Dosisgrenzen und biologische Eigenschaften in einem Plan zusammenzuführen.

Ein gescannter Elektronenstrahl bei ultrahoher Dosisrate könnte in dieses Bild passen. Er wäre kein Ersatz für alle bestehenden Verfahren, sondern möglicherweise eine Ergänzung für spezielle Fälle. Besonders oberflächennahe Zielvolumina, bei denen eine sehr präzise Dosisformung gebraucht wird, könnten langfristig interessant sein.

DESY als Brücke zwischen Grundlagenforschung und Medizin

DESY ist vor allem als Zentrum für Teilchenbeschleuniger, Photonenforschung und Grundlagenphysik bekannt. Doch moderne Beschleunigertechnologie hat immer wieder medizinische Anwendungen hervorgebracht. Röntgendiagnostik, Strahlentherapie, Protonentherapie, bildgebende Verfahren und Radioisotopenproduktion wären ohne physikalische Grundlagenforschung kaum denkbar.

Die Arbeit an PITZ zeigt genau diese Verbindung. Eine Anlage, die ursprünglich für die Entwicklung leistungsfähiger Elektronenquellen aufgebaut wurde, wird nun auch als Testfeld für künftige Strahlentherapie untersucht. Das ist ein gutes Beispiel dafür, wie Grundlagenforschung langfristig praktische Bedeutung gewinnen kann.

Fazit

Die neue Studie zu PITZ ist kein medizinischer Durchbruch im Sinne einer sofort verfügbaren Krebstherapie. Sie ist aber ein wichtiger Schritt in der Forschung an künftigen Bestrahlungsverfahren. Die Ergebnisse zeigen, dass ein sehr intensiver, präzise steuerbarer Elektronenstrahl in Simulationen vielversprechende Dosisverteilungen für oberflächennahe Hirnmetastasen liefern kann.

Besonders spannend ist die Verbindung aus Beschleunigerphysik, Medizinphysik und Strahlenbiologie. Wenn weitere Experimente bestätigen, dass sich solche Strahlen sicher, stabil und biologisch vorteilhaft einsetzen lassen, könnte daraus langfristig eine neue Form der Präzisionsstrahlentherapie entstehen.

Für die Krebsmedizin wäre das ein bedeutsamer Schritt: schneller, präziser und möglicherweise schonender bestrahlen. Noch ist das Zukunftsmusik – aber die Forschung in Zeuthen zeigt, dass diese Zukunft physikalisch bereits greifbarer wird.

Quellen und weiterführende Hinweise

• DESY: Fast electrons for the future of radiation therapy, Meldung vom 11. Mai 2026.
• Bedford, J. L.; Gross, M.; Riemer, F.; Amirkhanyan, Z. G.; Stephan, F.; Oelfke, U.: A beam model and Boltzmann solver for radiotherapy treatment planning of superficial brain metastases using a scanned electron beam at ultra-high (FLASH) dose rate, Physics in Medicine & Biology 71(9), 095014, 2026. DOI: 10.1088/1361-6560/ae6225.
• DESY / PITZ: Forschungsarbeiten zu FLASHlab@PITZ und hochintensiven Elektronenstrahlen.
• Institute of Cancer Research, London: Forschungsprofil von Prof. Uwe Oelfke und Arbeiten zur medizinischen Strahlenphysik.

CO₂ statt Lithium? Wie Google und Energy Dome die Energiespeicherung für KI-Rechenzentren neu erfinden wollen

Die Entwicklung künstlicher Intelligenz hat einen unerwarteten Nebeneffekt: einen explosionsartig steigenden Energiebedarf. Moderne KI-Systeme benötigen riesige Rechenzentren, die rund um die Uhr laufen und enorme Mengen Strom verbrauchen. Während klassische Suchmaschinen oder Webseiten vergleichsweise geringe Rechenleistung benötigen, verschlingen große Sprachmodelle, Bildgeneratoren und KI-Trainingssysteme gigantische Energiemengen.

Damit entsteht ein Problem: Erneuerbare Energien liefern ihren Strom nicht konstant. Windparks produzieren nur bei Wind, Solaranlagen nur bei ausreichender Sonneneinstrahlung. KI-Rechenzentren dagegen benötigen eine stabile Energieversorgung – 24 Stunden am Tag, sieben Tage die Woche.

Genau hier setzt eine neue Partnerschaft an: Google arbeitet mit dem italienischen Unternehmen Energy Dome zusammen, um eine ungewöhnliche Speichertechnologie einzusetzen – die sogenannte CO₂-Batterie.

Die Technologie soll langfristig dazu beitragen, Googles Ziel einer 24/7 kohlenstofffreien Energieversorgung bis zum Jahr 2030 zu erreichen.

Warum klassische Batterien an Grenzen stoßen

Lithium-Ionen-Batterien sind heute praktisch überall zu finden:

• Smartphones
• Laptops
• Elektroautos
• Heimspeicher
• Stromnetze

Sie funktionieren sehr gut, wenn Energie für relativ kurze Zeit gespeichert werden muss.

Für Stromnetze liegen typische Speicherzeiten oft bei ungefähr vier Stunden.

Das genügt beispielsweise, um eine kurzfristige Schwankung im Stromnetz auszugleichen oder Sonnenstrom in den Abendstunden zu nutzen.

Doch KI-Rechenzentren stellen andere Anforderungen:

• dauerhafte Versorgung
• hohe Leistung
• mehrere Stunden bis Tage Speicherdauer
• hohe Zuverlässigkeit
• möglichst geringe CO₂-Emissionen

Hier beginnt das Problem:

Eine Solaranlage kann nachts keinen Strom liefern, KI-Rechenzentren schlafen jedoch nicht.

Was ist eine CO₂-Batterie?

Der Begriff klingt zunächst überraschend. Viele Menschen verbinden Kohlenstoffdioxid automatisch mit Treibhausgasen und Klimaproblemen.

Die CO₂-Batterie verbrennt jedoch kein CO₂.

Stattdessen nutzt sie die physikalischen Eigenschaften des Gases als Energiespeicher.

Im Prinzip ähnelt das Konzept einem geschlossenen Kreislaufsystem.

Diagramm: So funktioniert die CO₂-Batterie

Überschüssige Wind- und Solarenergie

→

CO₂ wird komprimiert

→

CO₂ wird flüssig gespeichert

→

Gas expandiert

→

Turbine erzeugt Strom

Das System arbeitet vereinfacht in vier Schritten:

1. Überschüssiger Strom aus Wind- oder Solaranlagen wird genutzt.
2. Kohlenstoffdioxid wird unter hohem Druck komprimiert.
3. Durch die Kompression wird CO₂ flüssig und gespeichert.
4. Wenn Strom benötigt wird, wird das CO₂ wieder expandiert und treibt Turbinen an.

Dabei wird das CO₂ nicht verbraucht, sondern verbleibt im geschlossenen Kreislauf.

Warum CO₂ überhaupt verwenden?

CO₂ besitzt interessante physikalische Eigenschaften:

• leicht komprimierbar
• hohe Energiedichte
• vergleichsweise günstig
• weltweit verfügbar
• kann in geschlossenen Systemen verwendet werden

Dadurch eignet es sich potenziell gut als Speichermedium.

Im Unterschied zu Lithium-Ionen-Systemen benötigt man keine großen Mengen seltener Rohstoffe wie:

• Lithium
• Kobalt
• Nickel

Energy Dome: Das italienische Unternehmen hinter der Technologie

Energy Dome wurde in Italien gegründet und konzentriert sich auf Langzeit-Energiespeicher.

Nach Unternehmensangaben läuft die Technologie bereits seit mehreren Jahren im praktischen Betrieb.

Besonders bemerkenswert:

• eine kommerzielle Anlage mit 20 Megawatt befindet sich bereits im Betrieb
• die Technologie wurde mehrere Jahre unter Realbedingungen getestet
• Speicherzeiten zwischen acht und vierundzwanzig Stunden werden angestrebt

Damit unterscheidet sich die Lösung von vielen experimentellen Speicherkonzepten, die bisher lediglich im Labor existieren.

Warum KI plötzlich zum Energieproblem wird

Der aktuelle KI-Boom verändert den Strombedarf weltweit.

Trainingsprozesse moderner KI-Systeme benötigen gewaltige Rechenleistungen.

Hinzu kommen Millionen Nutzeranfragen:

• Sprachmodelle
• Bildgeneratoren
• Videosysteme
• Suchmaschinen-KI
• Cloud-Dienste

Experten erwarten, dass der Stromverbrauch großer Rechenzentren in den kommenden Jahren stark steigen wird.

Dies führt dazu, dass Technologiekonzerne neue Energiequellen suchen:

• Kernenergie
• kleine modulare Reaktoren
• Geothermie
• Wasserstoff
• Langzeitspeicher
• fortschrittliche Batteriesysteme

Der eigentliche Vorteil: Langzeitspeicherung

Die wichtigste Eigenschaft der CO₂-Batterie ist nicht die Leistung, sondern die Dauer.

Technologie	Typische Speicherdauer	Einsatzgebiet
Lithium-Ionen	2–4 Stunden	Netzstabilisierung
Pumpspeicher	mehrere Stunden	Großspeicher
CO₂-Batterie	8–24 Stunden	Langzeitspeicherung

Mögliche Vorteile

• geringerer Bedarf an seltenen Rohstoffen
• lange Speicherzeiten
• geschlossener CO₂-Kreislauf
• möglicherweise geringere Kosten
• stabile Versorgung von KI-Rechenzentren

Mögliche Herausforderungen

• große Anlagen benötigen Platz
• Langzeitzuverlässigkeit muss weiter untersucht werden
• Wirkungsgrad möglicherweise geringer als Lithium-Batterien
• wirtschaftliche Skalierung bleibt offen

Diagramm: Die zukünftige KI-Energiearchitektur

Solar/Wind

+

CO₂-Batterie

+

Rechenzentrum

→

24/7 CO₂-freier Betrieb

Ausblick

Noch ist unklar, ob CO₂-Batterien tatsächlich ein neuer Standard werden oder lediglich eine Nischentechnologie bleiben.

Dennoch zeigt die Zusammenarbeit zwischen Google und Energy Dome einen wichtigen Trend:

Die Zukunft der künstlichen Intelligenz hängt nicht nur von besseren Chips und Algorithmen ab – sie hängt ebenso von besseren Energiesystemen ab.

Die kommenden Jahre könnten zeigen, dass die eigentliche Infrastruktur-Revolution der KI nicht in Rechenzentren beginnt, sondern in völlig neuen Methoden der Energiespeicherung.

Quellen und weiterführende Informationen

• Google Nachhaltigkeitsstrategie 24/7 Carbon-Free Energy
• Energy Dome Unternehmensinformationen
• Internationale Energieagentur (IEA)
• Berichte zu Langzeit-Energiespeichern
• Aktuelle Forschung zu Energiespeichertechnologien

The AI Revolution in RNA Folding: How Machine Learning Is Reshaping RNA Structure Prediction

For decades, predicting the structure of RNA molecules has been one of the most fascinating and difficult problems in computational biology. RNA is not simply a messenger carrying genetic information between DNA and proteins. Modern biology increasingly views RNA as an active molecular machine capable of regulating genes, influencing development, controlling disease processes, and becoming a target for entirely new classes of medicines.

A recent review paper, "Machine Learning for RNA Secondary Structure Prediction: A Review of Current Methods and Challenges", surveys the rapidly evolving landscape of artificial intelligence approaches to RNA folding and highlights an emerging challenge: despite impressive progress, many highly accurate models fail when encountering entirely new RNA families. Researchers call this problem a generalization crisis. :contentReference[oaicite:1]{index=1}

Why RNA Structure Matters

RNA molecules are built from sequences of nucleotides: adenine (A), uracil (U), guanine (G), and cytosine (C). But their biological function depends not only on sequence but also on shape.

RNA folds into complex structures because complementary nucleotides pair with one another:

• A pairs with U
• G pairs with C
• G can sometimes pair with U

These interactions create stems, loops, bulges, junctions, and more complicated motifs.

Diagram: Simplified RNA Folding Process

RNA Sequence

→

Base Pair Formation

→

Secondary Structure

→

Biological Function

Errors in RNA folding can contribute to diseases including cancer, viral infections, neurological disorders, and genetic conditions.

The importance of RNA dramatically increased after the success of mRNA vaccines, demonstrating that engineered RNA molecules can become powerful therapeutic tools.

The Classical Era: Thermodynamics Rules

Historically, RNA prediction relied on thermodynamics.

The idea was simple:

The most stable RNA structure is assumed to have the lowest free energy.

Algorithms such as:

• RNAstructure
• CentroidFold
• LinearFold
• RNAalifold

used physical rules describing how RNA segments interact. :contentReference[oaicite:2]{index=2}

These methods worked surprisingly well and established the foundations of computational RNA biology.

However, reality turned out to be much more complicated:

• RNA structures may not occupy a single stable state
• cells are dynamic environments
• temperature matters
• chemical modifications matter
• many structures exist simultaneously

The Deep Learning Revolution Begins

Over recent years researchers increasingly shifted toward machine learning approaches.

Instead of manually describing every physical rule, AI systems learn directly from examples.

Notable models include:

• UFold
• RNAformer
• MXfold2
• RNADiffFold

These systems use neural networks, attention mechanisms, transfer learning, and other modern AI techniques to infer patterns hidden inside large RNA datasets. :contentReference[oaicite:3]{index=3}

Some approaches also combine machine learning with classical thermodynamic information, creating hybrid systems.

Single-Sequence Models vs Evolutionary Models

Approach	Advantages	Limitations
Single-sequence AI	Fast, simple input	Limited information
Evolutionary methods	Use homologous sequences	Require large databases
Hybrid approaches	Best of both worlds	Computationally expensive

The Generalization Crisis

One of the most important findings discussed in the review concerns generalization.

Many deep learning systems appeared highly accurate when tested on benchmark datasets.

But later studies showed something troubling:

Models sometimes performed poorly when presented with entirely new RNA families.

The problem resembles issues seen elsewhere in AI:

• models memorize training patterns
• hidden similarities bias benchmarks
• performance may appear artificially high

Researchers therefore increasingly advocate:

• homology-aware datasets
• strict family separation
• prospective benchmarking
• community-wide validation standards

This shift could significantly improve reliability. :contentReference[oaicite:4]{index=4}

Diagram: The Generalization Problem

Training Data

Family A
Family B
Family C

→

Testing Data

Family D
Family E

Models can perform extremely well on familiar families but struggle with unseen RNA types.

RNA Foundation Models: The Next Generation

To overcome limited datasets, researchers increasingly borrow ideas from large language models.

Foundation models learn from enormous collections of unlabeled RNA sequences.

Instead of manually defining biological rules, these systems discover hidden statistical patterns across millions or billions of sequences.

This approach resembles how modern language models learn language:

• large-scale pretraining
• representation learning
• transfer learning
• fine-tuning

The hope is that foundation models may improve robustness and generalization.

The Biggest Remaining Challenges

1. Pseudoknots

Pseudoknots occur when RNA folds into crossing interactions.

These structures are biologically important but computationally difficult.

2. Long RNA Molecules

Some biologically important transcripts extend thousands of nucleotides.

Computational cost rises dramatically with sequence length.

3. RNA Modifications

RNA molecules contain numerous chemical modifications:

• m6A
• pseudouridine
• m5C
• many others

These modifications influence folding behavior but are still difficult to model computationally. :contentReference[oaicite:5]{index=5}

4. Dynamic Ensembles

RNA rarely exists in one rigid state.

Instead it fluctuates among multiple conformations.

Future models may need to predict populations of structures rather than a single optimal folding state.

Implications for Drug Discovery

The ability to predict RNA structure accurately could transform medicine.

Potential applications include:

• RNA-targeting therapeutics
• mRNA vaccine optimization
• viral RNA targeting
• synthetic biology
• gene regulation technologies
• personalized medicine

Researchers increasingly see RNA not merely as genetic material but as an engineering substrate.

Future drugs may target specific RNA folds in the same way many current drugs target proteins.

Looking Forward

The field appears to be entering a transition period.

The first generation of machine-learning systems demonstrated that artificial intelligence can outperform many traditional approaches.

The next challenge is reliability.

Future progress will likely depend on:

• better datasets
• community benchmarks
• foundation models
• biophysical integration
• dynamic structure prediction

Conclusion

RNA structure prediction is evolving from a specialized computational problem into a central challenge of modern biology and AI.

Machine learning has already transformed the field, but the review highlights an important lesson:

Higher benchmark scores do not automatically mean better biological understanding.

The coming years may determine whether AI systems can move beyond memorizing patterns and begin to capture the deeper principles governing molecular life itself.

References

• Machine Learning for RNA Secondary Structure Prediction: A Review of Current Methods and Challenges (2025)
• UFold: Fast and Accurate RNA Secondary Structure Prediction with Deep Learning
• RNAformer
• RNAstructure
• LinearFold
• Recent Trends in RNA Informatics

Wie Software die Nutzung von Radar verändert: Von KI-Autos über Drohnenabwehr bis zur Erdbeobachtung

Radar galt lange als klassische Hardware-Technologie: Antennen, Mikrowellen, reflektierte Signale, Bildschirme mit Punkten. Doch genau das verändert sich gerade radikal. Moderne Radarsysteme werden nicht mehr nur durch bessere Antennen oder stärkere Sender leistungsfähiger, sondern vor allem durch Software: Signalverarbeitung, künstliche Intelligenz, Sensorfusion, Cloud-Auswertung, digitale Zwillinge und lernende Algorithmen machen aus Radar eine datengetriebene Wahrnehmungsmaschine.

Die aktuellsten Entwicklungen zeigen: Radar wird softwaredefiniert. Das bedeutet, dass viele Fähigkeiten, die früher fest in Hardware eingebaut waren, heute über Chips, Prozessoren, Firmware, KI-Modelle und zentrale Fahrzeug- oder Cloud-Software verändert werden können. Radar erkennt nicht mehr nur, dass „etwas“ da ist, sondern soll zunehmend verstehen, was es sieht: Auto, Fußgänger, Kind auf dem Rücksitz, Drohne, Schiff, Waldbrand, Bodenbewegung oder Überschwemmung.

1. Was bedeutet „softwaredefiniertes Radar“?

Ein klassisches Radar sendet elektromagnetische Wellen aus und misst, wie diese von Objekten zurückgeworfen werden. Daraus lassen sich Entfernung, Geschwindigkeit und Richtung ableiten. Bei modernen digitalen Radarsystemen beginnt die eigentliche Arbeit aber erst nach dem Empfang des Signals. Die Rohdaten werden gefiltert, komprimiert, interpretiert und mit anderen Sensordaten kombiniert.

Softwaredefiniertes Radar bedeutet daher nicht, dass die Hardware unwichtig wird. Im Gegenteil: Hochfrequenzchips, Antennenarrays und Signalprozessoren bleiben entscheidend. Aber die Differenzierung verschiebt sich. Entscheidend ist zunehmend, welche Algorithmen aus verrauschten Radardaten ein brauchbares Lagebild erzeugen.

Diagramm: Vom Radarecho zur Software-Entscheidung

Radarsignal

→

Digitale Signalverarbeitung

→

KI-Erkennung

→

Sensorfusion

→

Entscheidung

Moderne Radarsysteme liefern nicht nur Messwerte, sondern strukturierte Daten: Punktwolken, Objektlisten, Bewegungsmodelle und Risikoabschätzungen.

2. Der wichtigste Trend: Radar wird zur „Punktwolken-Kamera“

Eine der wichtigsten Entwicklungen ist das sogenannte 4D-Imaging-Radar. Der Begriff „4D“ meint in diesem Zusammenhang meist Entfernung, horizontale Richtung, vertikale Richtung und Geschwindigkeit. Solche Systeme erzeugen eine Art räumliche Punktwolke. Sie ähneln damit teilweise Lidar-Systemen, arbeiten aber mit Radiowellen statt mit Licht.

Der Vorteil: Radar funktioniert auch bei Dunkelheit, Regen, Nebel, Staub oder Rauch deutlich robuster als Kameras. Genau deshalb wird Radar für autonome Fahrzeuge, Robotik, Drohnenabwehr und Katastrophenschutz immer interessanter.

3. Automotive: Software macht Radar zum Schlüssel für autonomes Fahren

Besonders stark ist der Wandel in der Automobilindustrie. Fahrerassistenzsysteme nutzten Radar lange vor allem für Abstandsmessung, adaptive Geschwindigkeitsregelung und Notbremsassistenten. Jetzt geht es um deutlich mehr: Fahrzeuge sollen mit Radar Fahrspuren, Fahrzeuge, Fußgänger, Zweiräder, verlorene Ladung und Objekte auch bei schlechter Sicht zuverlässig erkennen.

Mobileye meldete 2025, dass ein großer globaler Autohersteller Mobileyes Imaging Radar für ein künftiges Level-3-System ausgewählt habe. Das System soll ab 2028 für „eyes-off, hands-off“-Funktionen bei Autobahngeschwindigkeit eingesetzt werden. Mobileye betont dabei, dass Imaging Radar als Redundanz zu Kamera- und anderen Sensorsystemen dienen soll, insbesondere bei Regen, Nebel oder schwierigen Lichtverhältnissen.

NXP stellte 2025 mit der S32R47-Familie neue Imaging-Radar-Prozessoren vor. Laut NXP richten sie sich an Level-2+- bis Level-4-Anwendungen und sollen mehr Rechenleistung für hochauflösende Radaranwendungen liefern. Entscheidend ist hier nicht nur der Chip selbst, sondern die Fähigkeit, Radardaten in softwaredefinierten Fahrzeugarchitekturen zu verarbeiten.

Texas Instruments wiederum präsentierte 2025 einen 60-GHz-mmWave-Radarsensor mit Edge-KI für den Fahrzeuginnenraum. Solche Systeme können erkennen, ob sich Kinder, Erwachsene, Haustiere oder Gegenstände im Fahrzeug befinden. Radar kann dabei Privatsphäre schonender sein als Kameras, weil es keine normalen Bilder erzeugt, aber dennoch Bewegung, Anwesenheit und Position erfassen kann.

4. Firmen, die den Radarwandel prägen

Firma	Schwerpunkt	Bedeutung
Mobileye	4D Imaging Radar, autonomes Fahren	Radar als Redundanzsensor für automatisiertes Fahren
NXP	Radarprozessoren und Fahrzeugchips	Rechenplattformen für softwaredefinierte Fahrzeuge
Texas Instruments	mmWave-Radar mit Edge-KI	Innenraumüberwachung und Sicherheit im Auto
Arbe Robotics	Hochauflösendes Automotive-Radar	Radar-Punktwolken für ADAS und autonomes Fahren
Uhnder	Digitales Automotive-Radar	Digitale Radararchitektur für bessere Trennung von Objekten
Echodyne	Kompakte elektronische Radarsysteme	Drohnen, Sicherheit, Luftüberwachung
Chaos Industries	Drohnenabwehr und Verteidigungsradar	Softwaregestützte Erkennung kleiner UAVs
ICEYE, Capella Space, Umbra, Synspective	SAR-Satelliten	Radarbilder der Erde bei Nacht und durch Wolken

5. Drohnenabwehr: Radar wird durch Software schneller und empfindlicher

Ein weiterer Bereich mit enormer Dynamik ist die Drohnenabwehr. Kleine Drohnen sind für klassische Luftverteidigungsradare schwer zu erkennen: Sie sind klein, fliegen niedrig, bewegen sich manchmal langsam und können mit Vögeln oder anderen Störungen verwechselt werden.

Hier wird Software entscheidend. Moderne Systeme analysieren Radarechos nicht nur nach Größe und Geschwindigkeit, sondern nach Bewegungsmustern, Signaturen und Kontext. KI-Modelle können helfen, Drohnen von Vögeln, Fahrzeugen oder Hintergrundrauschen zu unterscheiden. Gleichzeitig müssen die Systeme extrem schnell reagieren, weil Drohnen oft in Schwärmen oder sehr niedrig fliegen.

2025 sorgte Chaos Industries für Aufmerksamkeit, weil das Unternehmen laut Reuters in einer großen Finanzierungsrunde 510 Millionen US-Dollar einsammelte und mit mehreren Milliarden US-Dollar bewertet wurde. Das zeigt, wie stark der Markt für softwaregestützte Radar- und Drohnenabwehrsysteme wächst.

6. Satellitenradar: Software macht die Erde auch bei Nacht sichtbar

Bei Synthetic Aperture Radar, kurz SAR, wird Radar von Satelliten oder Flugzeugen aus eingesetzt. Der große Vorteil: SAR funktioniert unabhängig von Sonnenlicht und kann Wolken, Rauch und teilweise Vegetation besser durchdringen als optische Kameras. Dadurch eignet es sich für Katastrophenschutz, Landwirtschaft, Klimaforschung, Schiffsüberwachung, Bergbau, Infrastrukturkontrolle und militärische Aufklärung.

Der eigentliche Fortschritt liegt auch hier zunehmend in der Software. SAR-Rohdaten sind komplex. Sie müssen fokussiert, geometrisch korrigiert, entrauscht, interpretiert und häufig mit anderen Datenquellen kombiniert werden. KI kann helfen, Veränderungen automatisch zu erkennen: neue Gebäude, Überschwemmungen, Bodenabsenkungen, Waldschäden, Schiffe oder Bewegungen an Hängen.

Ein wichtiges Beispiel ist NISAR, die gemeinsame NASA-ISRO-Mission. 2025 veröffentlichte NASA erste Radaraufnahmen der Erdoberfläche. NISAR soll globale Veränderungen der Erdoberfläche, Eisflächen, Vegetation, Grundwasser- und Naturgefahrenprozesse beobachten. Auch hier ist Radar nicht nur ein Sensor, sondern Teil einer riesigen Daten- und Softwareinfrastruktur.

7. Warum KI für Radar so wichtig wird

Radardaten sind für Menschen schwerer zu interpretieren als normale Kamerabilder. Ein Foto zeigt sofort erkennbare Formen. Ein Radarsignal dagegen enthält Reflexionen, Mehrwegeeffekte, Rauschen, Doppler-Verschiebungen und Signaturen, die stark vom Material, Winkel und Bewegungszustand abhängen.

Genau hier kommt KI ins Spiel. Maschinelles Lernen kann Muster finden, die mit klassischen Regeln schwer zu beschreiben sind. Besonders relevant sind:

• Objekterkennung: Fahrzeuge, Menschen, Drohnen, Schiffe oder Tiere unterscheiden.
• Tracking: Bewegungen über mehrere Messungen hinweg stabil verfolgen.
• Rauschunterdrückung: falsche Signale reduzieren.
• Super-Resolution: aus groben Radardaten feinere Punktwolken berechnen.
• Sensorfusion: Radar mit Kamera, Lidar, GPS, Karten und Inertialsensoren kombinieren.
• Anomalieerkennung: ungewöhnliche Muster erkennen, etwa bei Brücken, Pipelines oder Deichen.

Vergleich: Klassisches Radar und softwaredefiniertes Radar

Klassisches Radar

Misst Entfernung, Richtung und Geschwindigkeit. Die Interpretation bleibt oft begrenzt oder wird von Menschen vorgenommen.

Softwaredefiniertes Radar

Erzeugt Punktwolken, Objektlisten, Klassifikationen und Prognosen. Die Interpretation erfolgt zunehmend durch Algorithmen.

KI-Radar

Lernt Muster aus großen Datensätzen, erkennt komplexe Szenen und verbessert sich durch Training, Simulation und Updates.

8. Wetterradar: Von der Messung zur lokalen Vorhersage

Auch in der Meteorologie verändert Software die Nutzung von Radar. Wetterradar misst Niederschläge, Gewitterzellen, Hagelstrukturen und Bewegungen von Regengebieten. Moderne Plattformen können Radardaten in nahezu Echtzeit visualisieren und mit Vorhersagemodellen kombinieren. Dadurch entstehen lokale Regenprognosen, Warnsysteme und Apps, die nicht nur zeigen, wo es regnet, sondern wann ein Schauer einen bestimmten Ort erreichen könnte.

Für Hydrologie und Katastrophenschutz ist das besonders wichtig. Starkregenereignisse können lokal extrem unterschiedlich ausfallen. Software hilft, Radarbilder in Warnungen, Pegelprognosen und Einsatzentscheidungen umzuwandeln.

9. Industrie und Robotik: Radar sieht, wo Kameras scheitern

In Fabriken, Häfen, Minen, Lagern und auf Baustellen wird Radar ebenfalls attraktiver. Kameras liefern zwar detailreiche Bilder, haben aber Probleme mit Staub, Nebel, Dunkelheit, Blendung und Datenschutz. Radar kann Bewegungen und Abstände messen, ohne normale Personenbilder aufzuzeichnen.

Anwendungen sind unter anderem:

• Abstandsmessung bei autonomen Transportfahrzeugen,
• Kollisionsvermeidung bei Robotern,
• Füllstandsmessung in Silos und Tanks,
• Überwachung von Hafenanlagen,
• Erkennung von Personen in Gefahrenbereichen,
• präzise Messung von Vibrationen oder Bewegungen an Maschinen.

Software macht diese Anwendungen flexibler. Ein Sensor kann je nach Softwaremodell verschiedene Aufgaben übernehmen: Bewegungserkennung, Objektklassifikation, Sicherheitszone oder Zustandsüberwachung.

10. Die neue Architektur: vom Einzelsensor zum vernetzten Radarsystem

Früher war ein Radarsensor oft ein relativ isoliertes Gerät. Heute wird Radar Teil größerer digitaler Architekturen. Im Auto wandern Auswertung und Entscheidungslogik zunehmend in zentrale Rechner. In der Verteidigung werden mehrere Radarsensoren zu verteilten Netzwerken verbunden. In der Erdbeobachtung werden SAR-Daten in Cloud-Plattformen analysiert und mit optischen Satellitenbildern, Wetterdaten und Geodaten kombiniert.

Das verändert auch die Wertschöpfung. Nicht nur der Sensorhersteller verdient Geld, sondern auch Anbieter von Chips, KI-Modellen, Datenplattformen, Simulationssoftware, Cloud-Auswertung und branchenspezifischen Analysewerkzeugen.

11. Chancen und Risiken

Die Chancen sind erheblich. Softwaregestütztes Radar kann Verkehr sicherer machen, Naturkatastrophen früher erkennen, Drohnenabwehr verbessern, autonome Maschinen zuverlässiger machen und industrielle Prozesse überwachen. Radar hat dabei einen besonderen Vorteil: Es liefert eine physikalisch andere Sicht auf die Welt als Kameras. Es misst nicht Farbe und Form, sondern Reflexion, Bewegung, Entfernung und Geschwindigkeit.

Es gibt aber auch Risiken. Wenn Radar stärker durch KI interpretiert wird, stellt sich die Frage nach Validierung, Sicherheit und Fehlentscheidungen. Ein autonomes Fahrzeug darf einen Menschen nicht übersehen, nur weil das Modell die Punktwolke falsch klassifiziert. Ein Drohnenabwehrsystem darf keine falschen Ziele verfolgen. Ein SAR-Analysemodell darf bei Katastrophen keine irreführenden Karten erzeugen.

Hinzu kommen Datenschutzfragen. Innenraumradar im Auto kann Leben retten, etwa bei zurückgelassenen Kindern. Gleichzeitig müssen Hersteller klar regeln, welche Daten gespeichert, übertragen oder ausgewertet werden.

12. Ausblick: Radar wird zum Softwareprodukt

Die Richtung ist eindeutig: Radar entwickelt sich von einer spezialisierten Hardwaretechnik zu einer softwaregetriebenen Plattformtechnologie. Der Sensor bleibt wichtig, aber der entscheidende Fortschritt entsteht durch Algorithmen, Rechenleistung und Daten.

In den nächsten Jahren werden drei Entwicklungen besonders wichtig:

1. Mehr Auflösung: Imaging Radar wird feinere Punktwolken liefern.
2. Mehr KI: Modelle werden Radardaten besser interpretieren und mit Kameras, Lidar und Karten verbinden.
3. Mehr Vernetzung: Radarsysteme werden Teil von Cloud-, Fahrzeug-, Satelliten- und Verteidigungsnetzwerken.

Damit wird Radar zu einer Schlüsseltechnologie der nächsten digitalen Infrastruktur. Es ist nicht mehr nur das Auge der Luftfahrt oder der Wetterstation, sondern ein unsichtbarer Wahrnehmungssinn für Autos, Roboter, Satelliten, Städte und Sicherheitssysteme.

Fazit

Software verändert Radar grundlegend. Aus einem Messgerät wird ein intelligentes Sensorsystem. Aus einzelnen Echos werden Punktwolken, Objekte, Prognosen und Entscheidungen. Die wichtigsten Treiber sind autonome Fahrzeuge, Drohnenabwehr, SAR-Satelliten, Edge-KI und softwaredefinierte Fahrzeugarchitekturen.

Gerade weil Radar auch dort funktioniert, wo Kameras an Grenzen stoßen, wird es in einer zunehmend automatisierten Welt wichtiger. Die spannendste Entwicklung ist dabei nicht nur, dass Radar besser wird. Entscheidend ist: Radar wird lernfähig, vernetzbar und updatefähig. Genau darin liegt der eigentliche Wandel.

Quellen und weiterführende Links

• Mobileye: Imaging Radar für Level-3-Fahrfunktionen
• NXP: S32R47 Imaging-Radar-Prozessoren
• Texas Instruments: Edge-AI-mmWave-Radar für Fahrzeuginnenräume
• Reuters: Chaos Industries und Drohnenabwehr-Radar
• NASA: Erste Radaraufnahmen der NISAR-Mission
• Deutscher Wetterdienst: Wetterradar
• RadarScenes-Datensatz für Automotive-Radar