Turbo für Materialforschung: Forscher trainieren KI zur Vorhersage neuer Verbindungen

Anorganische Materialien spielen für den Menschen eine große Rolle: Sie sind zum Beispiel die Grundlage für Solarzellen oder neue Entwicklungen der Halbleiterelektronik, die in technischen Geräten zum Einsatz kommt. Etwa 50.000 stabile anorganische Verbindungen sind heute bekannt. "Es gibt aber noch deutlich mehr, die theoretisch existieren könnten - wenn man sie künstlich herstellt", sagt der Physiker Prof. Dr. Miguel Marques von der MLU. Grundsätzlich gibt es zwei Möglichkeiten, diese noch unbekannten Materialien zu entdecken: im Labor über unzählige Experimente mit verschiedenen Substanzen oder per Simulation am Computer. Letztere hat sich in den vergangenen Jahren immer mehr zum Standard entwickelt, wie Marques sagt: "Das Problem ist, dass viele bisherigen Ansätze sehr viel Rechenpower benötigen und nur langsam zu Ergebnissen kommen."

Die Forschenden entwickelten deshalb ein neues Verfahren, das auf maschinellem Lernen basiert. Anstatt die kompletten Berechnungen durchzuführen, soll der Computer deren Endergebnisse vorhersagen. "Wir wollen also die Ergebnisse der Berechnungen erhalten, ohne selbst rechnen zu müssen", sagt Jonathan Schmidt von der MLU, Erst-Autor der neuen Studie. "Dafür benötigt man zwei Dinge: einen Algorithmus, der die gewünschte Aufgabe übernimmt, und dann noch einen Datensatz, mit dem man den Algorithmus trainieren kann", so der Physiker weiter. Das Team nutzte hierfür mehrere Datenbanken mit über 2,4 Millionen Verbindungen. "Die Berechnungen, die diesen Datenbanken zugrunde liegen, haben zusammengefasst eine Berechnungsdauer von 100 bis 200 Millionen Stunden", sagt Schmidt.

Die neue KI sucht deutlich schneller als bisherige Verfahren nach neuen Materialien und soll in Zukunft auch deren elektrische und optische Eigenschaften vorhersagen. Mehrere Tausend mögliche Kandidaten konnten die Forschenden so schon ausmachen. "Natürlich müssen vielversprechende Materialkandidaten und ihre Eigenschaften experimentell bestätigt und weiter untersucht werden. Wir sind jedoch sehr zuversichtlich, dass sich die meisten unserer Vorhersagen dabei bestätigen", sagt Marques. 

Studie: Schmidt J. et al. Crystal-graph attention networks for the prediction of stable materials. Science Advances (2021). doi:10.1126/sciadv.abi7948

Zum Seitenanfang