Neue internationale Studie deckt Grenzen der KI-gestützten Materialentwicklung auf
Eine neue Studie unter der Leitung der Universität Bayreuth und der Theorieabteilung unseres Instituts zeigt, dass weit verbreitete Computersimulationen und KI-Tools häufig erhebliche Fehler bei der Vorhersage der Eigenschaften von neuartigen Hochleistungsmaterialien machen. Die Forschung, veröffentlicht in der renommierten Zeitschrift Advanced Materials, klärt die Ursache dieser Ungenauigkeiten auf und stellt neue Methoden vor, um sie zu überwinden.
Einführung in die aktuellen Vorhersagemodelle
Computergestützte Werkzeuge sind unverzichtbar bei der Suche nach innovativen Materialien – von schnelleren Halbleitern bis hin zu effizienteren Solarzellen. Insbesondere KI-basierte Vorhersagemodelle helfen dabei, vielversprechende Materialien schon lange vor Labortests zu identifizieren. Allerdings stützen sich diese Modelle häufig auf idealisierte Darstellungen von Kristallstrukturen, die nicht genau widerspiegeln, wie Materialien unter realen Bedingungen entstehen.
Ein häufiges Merkmal realer kristalliner Materialien sind Fehler im Kristallgitter, insbesondere durch Substitution, wenn Atome ähnlicher Elemente ins Gitters mischen. Diese natürlichen Abweichungen werden von aktuellen KI-Systemen oft übersehen, was zu ungenauen Vorhersagen darüber führt, wie sich ein Material nach der Synthese verhält.
Wichtige Aspekte
1. Identifikation der Fehlerquelle in Vorhersagen
Die Studie zeigt, dass aktuelle KI- und Simulations-Workflows häufig von perfekten Kristallgittern ausgehen. Diese idealisierten Modelle berücksichtigen keine der üblichen strukturellen der üblichen Quellen für Kristallfehlordnung – insbesondere Substitutionsatome – die aber die Materialeigenschaften erheblich beeinflussen.
2. Neues Machine-Learning-Tool zur Erkennung von Unordnung
Das internationale Team – bestehend aus Experten des Fritz-Haber-Instituts der Max-Planck-Gesellschaft, des Imperial College London und der Universität Bayreuth – entwickelte ein Machine-Learning-Modell, das zuverlässig Gitterfehler in kristallinen Materialien erkennt.
3. Großangelegtes Screening von Materialdatenbanken
Der Einsatz des neuen Tools auf bestehenden Datenbanken zeigte, dass viele zuvor als „vielversprechend“ eingestufte Materialien unter experimentellen Bedingungen anders als vorhergesagt reagieren dürften. In einem Datensatz wiesen über 80% der durch KI vorhergesagten Materialien Anzeichen von Kristallfehlordnung auf, was die Prognose ihrer Eigenschaften infrage stellt.
4. Verbesserung der KI-basierten Materialforschung der Zukunft
Die Autoren betonen, dass Quellen der Kristallfehlordnung in die nächste Generation computergestützter Workflows integriert werden müssen. „Unsere Studie zeigt, dass die Vernachlässigung von Fehlstellen in der computergestützten Materialwissenschaft ein kritischer Stolperstein sein kann“, sagt Prof. Johannes T. Margraf. „Mit den Werkzeugen, die wir hier bereitstellen, können fehlgeordnete Materialien selbst in großangelegten Workflows erkannt und mit geeigneten Berechnungsmethoden behandelt werden.“
Warum das wichtig ist
„Mit diesem Tool können wir vorhersagen, ob ein Kristall von Fehlordnung betroffen ist und die Materialforschung in Bereiche lenken, die rechnerisch gut abgebildeten werden können“, sagt Konstantin Jakob, Erstautor der Studie und Doktorand in der Theorieabteilung unseres Instituts.
Alltägliche Technologien – von Smartphone-Batterien bis zu Solarmodulen auf Dächern – hängen von hochgradig optimierten Materialien ab. Angesichts dringender gesellschaftlicher Herausforderungen wie dem Klimawandel und der Energiewende steigt die Nachfrage nach neuen funktionalen Materialien weiterhin. Die experimentelle Suche nach solchen Materialien ist jedoch aufwändig, teuer und komplex.
Während KI- und simulationsbasierte Materialentwicklung diesen Prozess beschleunigen sollten, zeigen die neuen Erkenntnisse, dass das Vernachlässigen von Kristallfehlordnung zu unzuverlässigen Vorhersagen führt. In einigen von dem Forschungsteam untersuchten Datenbanken wiesen mehr als 80 % der durch KI vorgeschlagenen in realen Experimenten wahrscheinlich Kristallfehlordnung auf, was bedeutet, dass ihre tatsächlichen Eigenschaften stark von theoretischen Erwartungen abweichen könnten. Die Studie erkennt diese kritische Lücke und stellt Werkzeuge zu ihrer Behebung bereit und nimmt somit einen wichtigen Schritt hin zu vertrauenswürdigeren und effizienteren Methoden der computergestützten Materialentwicklung.
