Künstliche Intelligenz (KI) hat zahlreiche Bereiche grundlegend verändert und hinterlässt nun auch in der Materialwissenschaft ihre Spuren. Technologiegiganten wie Google, Microsoft und Meta setzen generative KI-Modelle erfolgreich ein, um eine Vielzahl neuer Materialien zu entwerfen, wobei sie auf riesige Trainingsdatensätze zurückgreifen. Diese Modelle sind unglaublich effektiv, wenn es darum geht, Textvorgaben in eindrucksvolle Bilder umzuwandeln. Eine deutliche Einschränkung zeigt sich jedoch, wenn diese Modelle damit beauftragt werden, Materialien mit seltenen Quanteneigenschaften wie Supraleitung und exotischen magnetischen Zuständen zu erschaffen.
Da sie dieses Problem erkannt hatten, beschlossen Forscher am MIT, die Ärmel hochzukrempeln und das Problem direkt anzugehen. Sie haben eine neuartige Methode entwickelt, die es generativen KI-Modellen erleichtert, bestimmte Designregeln zu befolgen, und sie so auf den Weg bringt, Materialien mit den für Quantenverhalten notwendigen geometrischen Strukturen zu erschaffen. Für diesen Weg war ein Leitfaden erforderlich, und so entstand SCIGEN – kurz für „Structural Constraint Integration in GENerative model“.
Die bahnbrechende Bedeutung von SCIGEN kann gar nicht hoch genug eingeschätzt werden. Mingda Li, “Class of 1947 Career Development Professor” am MIT, erklärt: „Die von den großen Technologieunternehmen entwickelten Modelle eignen sich hervorragend zur Erzeugung stabiler Materialien. Doch in der Materialwissenschaft ist Stabilität nicht immer der wichtigste Faktor. Millionen neuer Materialien zu erschaffen, ist nicht unser Hauptziel – wir suchen nach dem einen, das wirklich einen grundlegenden Wandel herbeiführen kann.“
Wie funktioniert SCIGEN also im Grunde genommen? Seine Wirksamkeit beruht auf der Integration geometrischer Einschränkungen in diffusionsbasierte generative Modelle. Dadurch wird sichergestellt, dass die KI ausschließlich Materialien mit bestimmten atomaren Anordnungen erzeugt, von denen bekannt ist, dass sie Quanteneigenschaften begünstigen. Um noch tiefer in die Materie einzutauchen, nahmen die Forscher ein KI-Modell namens DiffCSP unter die Fittiche von SCIGEN, was zur Generierung von über 10 Millionen Materialkandidaten mit archimedischen Gitterstrukturen führte. Nach einer Vorauswahl hinsichtlich der Stabilität blieben eine vielversprechende Million Materialien übrig.
Die praktische Anwendung dieser Forschungsergebnisse hat bereits Gestalt angenommen. Dem Forschungsteam ist es in Zusammenarbeit mit Laboren der Michigan State University und der Princeton University gelungen, zwei bisher unbekannte Verbindungen zu synthetisieren. Umfangreiche Tests bestätigten die Übereinstimmung zwischen den von der KI vorhergesagten Materialeigenschaften und den in der Realität beobachteten Eigenschaften, was den effektiven Ansatz von SCIGEN bei der Materialentwicklung unter Beweis stellt.
SCIGEN könnte der Schlüssel zur Beschleunigung der Suche nach stabilen und fehlerresistenten Qubits in den Schaltkreisen zukünftiger Quantencomputertechnologien sein. Trotz des immensen Potenzials von SCIGEN betonen die Forscher die Notwendigkeit einer experimentellen Validierung.
Auch wenn wir auf eine Welt blicken können, in der Materialien, die besser auf unsere Bedürfnisse zugeschnitten sind, in raschem Tempo erzeugt werden können, muss die Nachhaltigkeit unser Anker bleiben. Mit dem Fortschreiten der Forschung könnten künftige Versionen von SCIGEN Beschränkungen auf der Grundlage der chemischen Zusammensetzung oder funktioneller Eigenschaften enthalten. Wie Okabe, eine Schlüsselfigur im Forschungsteam, anmerkt, "erzeugen wir mit SCIGEN vielleicht insgesamt weniger stabile Materialien, aber wir erhöhen unsere Chancen, etwas wirklich Revolutionäres zu entdecken, dramatisch".
Unterstützung für dieses Projekt kam von einer Vielzahl von Quellen, darunter das US-Energieministerium, die National Science Foundation, das Oak Ridge National Laboratory und das National Energy Research Scientific Computing Center. Weitere Einzelheiten sind im Originalartikel auf MIT News zu finden: https://news.mit.edu/2025/new-tool-makes-generative-ai-models-likely-create-breakthrough-materials-0922.
Diese Website verwendet Cookies.