Wolfgang Maaß: Mit energieeffizienter KI von der Dopinganalyse bis zur Wirkstoffforschung

Wolfgang Maaß kennt den Weg von Aachen nach Saarbrücken noch aus einer Zeit, in der künstliche Intelligenz längst nicht auf jeder Smartwatch mitlief. Ende der 1980er-Jahre wechselte der heute 61-Jährige von der RWTH Aachen zum Informatikstudium nach Saarbrücken. Dort gründete Wolfgang Wahlster das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) mit. Heute forscht Maaß seit mehr als 30 Jahren an der Schnittstelle von Informatik, Industrie und Medizin.

Nach seiner Promotion in Saarbrücken ging er als Postdoktorand an die Universität St. Gallen und habilitierte sich dort. Berufliche Stationen bei Daimler und der Telekom prägten seine betriebswirtschaftliche Ausrichtung. Vor 15 Jahren übernahm er an der Universität des Saarlandes den Lehrstuhl für Dienstleistungsmanagement mit Schwerpunkt Wirtschaftsinformatik. Am DFKI leitet Maaß den Forschungsbereich Smart Service Engineering (SSE), der untersucht, wie KI die industrielle Transformation unterstützen kann.

Weniger Rechenleistung, mehr Wirkung

Im Verbundprojekt „Escade“ wurde unter Maaß’ Leitung untersucht, wie sich der Energieverbrauch von KI-Anwendungen senken lässt. Der Bund förderte das Projekt mit fünf Millionen Euro. In Einzelfällen wurden Energieeinsparungen von fast 90 Prozent erzielt. Das klingt nach einer Menge – und ist es auch.

Für spezialisierte Anwendungen, sagt Maaß, müssten nicht ständig vollständig aktivierte, besonders große KI-Modelle laufen. Je nach Anfrage könnten nur jene Teile eines KI-Systems zugeschaltet werden, die gerade gebraucht werden. Bislang betrieben Rechenzentren KI-Systeme häufig mit maximaler Rechenleistung; Energieeffizienz spielte dabei eher die zweite Geige.

Ob effizientere KI am Ende tatsächlich Energie spart oder vor allem eine stärkere und günstigere Nutzung ermöglicht, hängt allerdings auch vom Markt ab. Große Sprachmodelle arbeiten inzwischen selektiver als frühere Modelle. Bei ihrer Kompaktheit sieht Maaß trotzdem noch Luft nach oben.

Ein großer Teil seiner Forschung befasst sich mit medizinischen Anwendungen: Proteinfaltungen, Alzheimer, Herzfrequenzen. Dabei, betont Maaß, gehe er die Themen aus der Perspektive eines Informatikers an. Die Datenlage sei oft unzureichend, unter anderem wegen Datenschutzauflagen. Um fehlende Real- und Trainingsdaten auszugleichen, werden zunächst synthetische Daten erzeugt und daraus Modelle entwickelt.

Auch seine eigene Gesundheit liefert Daten. Maaß schwimmt zwei- bis dreimal pro Woche an der Saarbrücker Sportschule. In seiner Altersklasse gehört er nach eigenen Angaben zu den besten Athleten. Seinen letzten großen Wettkampf bestritt er 2016 bei der Europameisterschaft in London.

Vom Dopingtest bis zur Arztpraxis

Im Auftrag der Welt-Anti-Doping-Agentur Wada entwickelte Maaß ein KI-gestütztes Verfahren für schnelle Dopingtests. Vor zwei Jahren wurde es mit Daten von Zehntausenden Athleten der Kölner Sporthochschule kalibriert. Der Test wird derzeit weltweit ausgerollt. Künftig sollen nach Maaß’ Angaben auch Olympioniken mit der Software analysiert werden.

Vielleicht bleibt es nicht beim Sport. Das Verfahren könnte auch bei der Diagnose von Parkinson und Alzheimer eingesetzt werden. Bei beiden Krankheiten spielt eine Fehlfaltung von Proteinen eine wichtige Rolle.

Maaß selbst trägt eine Smartwatch und einen Smart Ring. Teile seines Genoms ließ er in den USA analysieren, um sich auf mögliche genetische Risiken vorzubereiten. Inzwischen hat er sein Genom auf seine Smartwatch geladen und bezeichnet sich dabei als eigenes Versuchskaninchen. Ein ziemlich konsequenter Forschungsalltag, irgendwie.

Gemeinsam mit Johannes Jäger, dem Leiter des Homburger Zentrums für Allgemeinmedizin, entwickelt Maaß eine Datenplattform für Ärzte. Patienten sollen dort Blutbilder, MRT-Befunde und Schlafdaten hinterlegen können. Mithilfe von KI könnten Ärzte diese Informationen bereits vor dem Patientenkontakt analysieren und ein umfassenderes Gesundheitsbild erhalten.

Als verbindendes Thema seiner Forschung nennt Maaß Zeitreihendaten: Herzfrequenzen, Dopingproben, Finanzströme oder Daten aus der maschinellen Fertigung. Hinzu kommen smarte Systeme zur Mustererkennung. Deutschlands Stärke im internationalen KI-Wettbewerb sieht er bei eingebetteten Softwaresystemen. Diese dezentrale KI ermögliche hohe Komplexität bei geringem Energieverbrauch.

Das vorhandene Potenzial werde allerdings nicht vollständig genutzt. Maaß nennt langsame politische, regulatorische und bürokratische Prozesse als Gründe. Bei Innovationen beobachtet er in Deutschland häufig eine ausgeprägte Risikoaversion, insbesondere bei Betriebswirten. Die US-amerikanische Unternehmenskultur liegt ihm in dieser Hinsicht näher.

Offene Daten für neue Wirkstoffe

Wie wichtig zugängliche Daten für medizinische KI sind, zeigt auch das internationale Konsortium LIGAND-AI. KI könnte die frühe Wirkstoffforschung beschleunigen, bislang fehlen für das Training entsprechender Modelle jedoch öffentlich zugängliche experimentelle Daten.

LIGAND-AI will deshalb Tausende Interaktionen zwischen kleinen Molekülen und menschlichen Proteinen charakterisieren. Im Mittelpunkt stehen Proteine, die für verschiedene Krankheiten relevant sind, darunter seltene neurologische und onkologische Erkrankungen. Die Daten sollen in der öffentlich zugänglichen Datenbank AIRCHECK bereitgestellt und für die Entwicklung sowie das Training von KI-Modellen genutzt werden.

Ziel ist es, erste validierte Bindungspartner, sogenannte „Hits“, vor allem bei wenig erforschten Zielstrukturen schneller zu finden und anschließend potenzente Inhibitoren zu entwickeln. Die Innovative Health Initiative fördert das Projekt mit mehr als 60 Millionen Euro. Geleitet wird LIGAND-AI vom Pharmaunternehmen Pfizer und dem Structural Genomics Consortium (SGC).

Die Goethe-Universität Frankfurt leitet den Bereich medizinische Chemie und ist über den Forschungsknotenpunkt SGC-Frankfurt an der Datengenerierung beteiligt. Stefan Knapp, Professor für Pharmazeutische Chemie und Chief Scientific Officer des SGC-Frankfurt, betont die Verbindung experimenteller Daten mit KI-Modellen und deren weltweite Open-Access-Bereitstellung.

Zu den Projektpartnern gehören unter anderem SGC, EMBL, die Goethe-Universität Frankfurt, die Universidade Estadual de Campinas, das University College London, University Health Network, VHIO, Abcam, AstraZeneca, Chemspace, Enamine, IBM Research Israel, Novo Nordisk, Nuvisan, Pfizer, das Hospital for Sick Children in Toronto, Thermo Fisher Scientific und Vernalis.

LIGAND-AI ist ein Leuchtturmprojekt der Initiative Target 2035. Unterstützt wird es im Rahmen der Fördervereinbarung Nr. 101252959 durch das IHI Joint Undertaking, das unter anderem aus Horizon Europe sowie Beiträgen mehrerer Industrie- und Branchenorganisationen finanziert wird.

Lehre mit Risiko und Wettbewerb

In seiner Data-Science-Vorlesung lässt Maaß Masterstudierende zwischen einer klassischen Klausur und einem aufwendigeren Gruppenprojekt wählen. Beim Projekt entwickeln sie ein Data-Science-Konzept und können es im besten Fall in einem Unternehmen präsentieren. Rund 90 Prozent entscheiden sich nach seinen Angaben für die anspruchsvollere Variante.

Nur etwa zehn Prozent der Teilnehmer stammen aus Deutschland. Maaß möchte dadurch mehr Dynamik und Wettbewerb in das System bringen. Das passt zu seiner Skepsis gegenüber einer Kultur, in der man lieber noch eine Runde prüft, bevor überhaupt jemand losläuft.

Auch Förderprogramme setzen auf solche Verbindungen. Antragsberechtigt sind deutsche staatliche und staatlich anerkannte Hochschulen, außeruniversitäre Forschungseinrichtungen sowie Unternehmen der gewerblichen Wirtschaft mit Forschungs- und Entwicklungskapazitäten – also KMU ebenso wie Großunternehmen. Unternehmen dürfen allerdings ausschließlich in Verbünden mit akademischen Partnern teilnehmen; in diesen Verbünden übernimmt der akademische Partner die Koordination.

Gefördert werden interdisziplinäre, anwendungsbezogene Forschungsprojekte, die einen hohen medizinischen Bedarf adressieren und ein hohes wissenschaftlich-technisches Risiko aufweisen. Einzelvorhaben sind in begründeten Ausnahmefällen möglich. Sie müssen ausgewiesene Expertise in Wirkstoffforschung und KI nachweisen und die Anwendungsorientierung gewährleisten.

Der Schwerpunkt liegt auf KI-gestützter Wirkstoffforschung einschließlich der Validierung von KI-Methoden. Vor allem vorhandene KI-Methoden sollen auf die Wirkstoffforschung angewendet und gegebenenfalls angepasst werden; die Entwicklung vollständig neuer KI-Lösungen steht nicht im Mittelpunkt. Die Fördermaßnahme ist hinsichtlich der medizinischen Indikation offen. Forschungs- und Entwicklungsarbeiten werden maximal bis einschließlich der klinischen Phase IIa gefördert.

Die Förderung erfolgt als Projektförderung in Form nicht rückzahlbarer Zuschüsse. Hochschulen, Forschungs- und Wissenschaftseinrichtungen sowie vergleichbare Institutionen können zuwendungsfähige projektbezogene Ausgaben individuell bis zu 100 Prozent fördern lassen. Bei nichtwirtschaftlichen Forschungsvorhaben