Digitalisierung des Labors mit AI und ELN

Laborautomatisierung & KI in der Materialwissenschaft: Vom Datenchaos zur intelligenten Analyse

2019 verlor ein südkoreanisches Labor einen ganzen Arbeitstag an Experimenten – wegen unvollständiger Laborbuch-Einträge und zersplitterter Protokolle. Die Mo/B-Proben wurden abgelehnt. Der Kammerdruck war um 50 % über dem Normalwert gestiegen – verursacht durch eine Undichtigkeit. Doch das Problem wurde erst identifiziert, als Forschende manuell durch verstreute Datensätze suchten. 2026 führte ein anderes Labor einen einfachen Terminal-Befehl aus: „Analysiere die Daten im Ordner W/B4C. Vergleiche sie mit den XRR-Simulationsresultaten.“ Innerhalb von 30 Sekunden extrahierte die KI Sputter-Rezepte, verarbeitete 32-Kanal-Geräteprotokolle und XRR-Parameter – und markierte, dass die Stromversorgung G3F C um 6 % zu viel Leistung lieferte. Das führte unbeabsichtigt zu einer Verdickung der WC-Grenzschichten während der DCC-Abscheidung.

Sechs Jahre digitale Transformation haben aus Datenchaos ein strukturiertes, skalierbares System für Materialwissenschaftler:innen mittlerer und höherer Erfahrungsstufe sowie Nanotechnolog:innen gemacht.

Die Datenverwaltungskrise in physikalischen Laboren

Physikalische Labore erzeugen Terabytes heterogener Daten: XRD-Muster, REM-Mikrographien, Geräteprotokolle, XRR-Ausgaben, AFM-Scans, Nanoindentationsberichte. Häufige Probleme:

• Minimalist:innen notieren nur vage Hinweise wie „Mo/B 300W hor.“ – ohne Kammerdruck, Gasflussraten oder Substrattyp.
• Archivar:innen verschachteln Ordner wie 2022/März/Woche2/Mo-B/Versuch3_final_FINAL2/, wodurch Daten für Kolleg:innen unzugänglich werden.
• Excel-Meister:innen pflegen Tabellen mit 47 Reitern – viele verweisen auf defekte externe Links oder veraltete Formate, die sich nicht mehr öffnen lassen.

Das Kernproblem? Eine vollständige Trennung zwischen Prozess und Ergebnis. Um Mo/B-Sputterparameter mit der Reflexionsfähigkeit zu korrelieren, müssen manuell Dutzende Dateien ausgewertet werden – doch Protokolle fehlen, XRD-Bilder enthalten keine Metadaten, und die Dateibenennung ist inkonsistent. Der Wissenskontinuität droht Verlust: Die hart erkämpften Erkenntnisse einer Doktorandin verschwinden mit ihrem Ausscheiden – und die nächste Forscher:in muss teure Fehler wiederholen.

Automatisierung von Dünnfilm-Abscheidungsprozessen

Die digitale Transformation begann 2020 mit einer maßgeschneiderten Software für ein Karussell-basiertes Magnetron-Sputtersystem (vier 150-mm-Magnetrons für EUV-/BEUV-Optiken). Eine leichtgewichtige Skriptsprache steuert Karussell-Drehung, Stromversorgungen, Verschlüsse und Ionenätzung – und automatisiert Abscheidungsläufe von drei bis fünf Stunden vollständig.

Der Durchbruch? Ein 32-Kanal-Echtzeitprotokoll: Jede Sekunde erfasst es Kammerdruck, Spannung, Strom, Magnetron-Leistung, Gasflussraten und Karussell-Position. Jeder Lauf erzeugt ca. 1,5 MB strukturierten, zeitgestempelten Text. Architektur: Delphi-Client + RS-485-Schnittstelle zu Schrittmotorsteuerungen und Stromversorgungen über ein dediziertes lokales Netzwerk.

Protokolle diagnostizieren Fehler sofort: Druckspitzen, instabile Leistungsabgabe oder vergessene Kühlung (erkannt über ungewöhnlichen Temperaturanstieg). Damit wurde die Zuverlässigkeit der Abscheidung verbessert – doch Charakterisierungsdaten wie XRD, REM und andere blieben isoliert.

Elektronisches Laborbuch (ELN)

Das ELN vereint den gesamten experimentellen Lebenszyklus – von der Abscheidung bis zur Analyse. Jede Probe ist eine nachvollziehbare Einheit mit komplettem Aktionsverlauf und zugehörigen Dateien.

Hierarchische Struktur

• Projekt: Breites Forschungsthema, z. B. „BEUV Mo/B“, „DLC“, „Röntgenoptik“.
• Ordner: Untergliederung nach Versuchsreihen.
• Probe: Eindeutige ID wie Mo/B(220719A), inkl. Substrattyp und Outcome (zentrale Ergebniskennzahl).
• Aktion: Atomare Operationen – z. B. Abscheidung, Glühen, XRD (Empyrean), REM, TEM, AFM, Indentation (UNHT-3), Tribotest – jeweils verknüpft mit konkreten Geräten.
• Dateien: Native Formate: .xrdml, .log, .xrcx, .tiff, .pdf.

Jede Aktion unterstützt Schlüsselwerte: Multilayer-Periode, Schichtdicke, Härte, Reibungskoeffizient, Oberflächenrauhigkeit. Ermöglicht leistungsstarke Abfragen: „Zeige alle Mo/B-Proben mit Periode < 7 nm“ oder „Korrelriere DLC-Härte vs. Beschleunigungsspannung.“

Technologie-Stack: Delphi-Desktop-Client, SQL-Backend für Metadaten, WebDAV für Binärdateispeicherung. Integrierte Viewer (Plugins) zeigen .xrdml- und .xrcx-Dateien direkt im Browser – ohne externe Software.

Erster Eintrag: Mo(210121-A), Januar 2021. Bis 2026: 19 aktive Projekte, ca. 1.000 Proben, Tausende Dateien.

ELN3 verbessert ELN2 durch vollständig anpassbare Aktionstypen, Geräteprofile und Dateiformatdefinitionen.

Integration von KI in die Datenanalyse

Sobald das ELN konsequent befüllt wird (eine tägliche Disziplin: Proben registrieren, Dateien hochladen), sind die Daten KI-fähig. Unsere KI-Engine analysiert vier Kernformat-Typen – Sputter-Rezepte, Geräteprotokolle, XRR-Ausgaben und Versuchsberichte – harmonisiert Parameter über Quellen hinweg und generiert automatisch PDF-Analyseberichte.

Beispiel: Die W/B4C-Analyse enthüllte systematische Abweichungen bei der Stromversorgung. Eine Aufgabe, die einem menschlichen Experten 1–2 Tage kostete, benötigte für die KI Minuten.

Warum es funktioniert:

• Strukturierte Protokolle + ELN sichern Wissenskontinuität – unabhängig von Einzelpersonen.
• Schlüsselwerte ermöglichen sofortige Korrelationsanalysen – keine „Datenarchäologie“ mehr.
• KI beschleunigt die Ursachenanalyse: vom chaotischen Fehlersuchen 2019 zur prädiktiven Einsicht 2026.
• Die Flexibilität von ELN3 erlaubt nahtlose Einführung in unterschiedlichen Laboren – auch mit abweichender Messtechnik.
• Die tägliche Datenpflege ist keine Option – sie ist die Grundlage des gesamten Systems.

— Editorial Team