K\u00fcnstliche Intelligenz (KI) hat zahlreiche Bereiche umgestaltet, und jetzt hinterl\u00e4sst sie auch in der Materialwissenschaft ihre Spuren. Tech-Schwergewichte wie Google, Microsoft und Meta haben erfolgreich generative KI-Modelle eingesetzt, um eine Vielzahl neuer Materialien zu entwerfen, wobei sie auf umfangreiche Trainingsdatens\u00e4tze zur\u00fcckgreifen. Diese Modelle sind unglaublich effektiv, wenn es darum geht, Textanweisungen in eindrucksvolle Bilder umzuwandeln. Eine sp\u00fcrbare Einschr\u00e4nkung ergibt sich jedoch, wenn diese Modelle mit der Entwicklung von Materialien mit seltenen Quanteneigenschaften wie Supraleitf\u00e4higkeit und exotischen magnetischen Zust\u00e4nden beauftragt werden.<\/p>\n
Forscher am MIT haben dieses Problem erkannt und beschlossen, die \u00c4rmel hochzukrempeln und das Problem frontal anzugehen. Sie haben eine neuartige Methode entwickelt, die es generativen KI-Modellen erleichtert, bestimmte Designregeln zu befolgen und so Materialien mit den f\u00fcr Quantenverhalten erforderlichen geometrischen Strukturen zu schaffen. Um diesen Weg zu beschreiten, brauchte man einen Leitfaden, und so wurde SCIGEN - kurz f\u00fcr Structural Constraint Integration in GENerative model - geboren.<\/p>\n
Die Bedeutung von SCIGEN f\u00fcr die Zukunft kann gar nicht hoch genug eingesch\u00e4tzt werden. Mingda Li, MIT-Professorin f\u00fcr Karriereentwicklung des Jahrgangs 1947, erkl\u00e4rt: \"Die von gro\u00dfen Technologieunternehmen entwickelten Modelle sind hervorragend geeignet, um stabile Materialien zu erzeugen. Aber im Bereich der Materialwissenschaft ist Stabilit\u00e4t nicht immer der wichtigste Faktor. Unser Hauptziel ist es nicht, Millionen neuer Materialien zu schaffen - wir suchen nach dem einen, das wirklich eine gro\u00dfe Ver\u00e4nderung herbeif\u00fchren kann.\"<\/p>\n
Wie funktioniert SCIGEN also im Grunde? Seine Effektivit\u00e4t liegt in der Integration geometrischer Beschr\u00e4nkungen in diffusionsbasierte generative Modelle. Dadurch wird sichergestellt, dass die KI nur Materialien mit bestimmten atomaren Anordnungen erzeugt, von denen bekannt ist, dass sie Quanteneigenschaften f\u00f6rdern. Die Forscher nahmen ein KI-Modell namens DiffCSP unter die Fittiche von SCIGEN, was zur Generierung von \u00fcber 10 Millionen Materialkandidaten mit archimedischen Gitterstrukturen f\u00fchrte. Nachdem die Liste auf ihre Stabilit\u00e4t hin \u00fcberpr\u00fcft worden war, \u00fcberlebte eine vielversprechende Million Materialien die Auswahl.<\/p>\n
Die praktische Anwendung dieser Forschung hat bereits das Licht der Welt erblickt. Dem Forschungsteam gelang es, in Zusammenarbeit mit Labors der Michigan State University und der Princeton University zwei bisher unbekannte Verbindungen zu synthetisieren. Ausf\u00fchrliche Tests best\u00e4tigten, dass die von der KI vorhergesagten Materialeigenschaften mit denen in der Realit\u00e4t \u00fcbereinstimmen, was die Wirksamkeit des SCIGEN-Ansatzes zur Materialgenerierung beweist.<\/p>\n
Auf der Suche nach stabilen und fehlerresistenten Qubits f\u00fcr die Schaltkreise k\u00fcnftiger Quantencomputertechnologien k\u00f6nnte SCIGEN der Talisman sein, der eine beschleunigte Suche erm\u00f6glicht. Trotz des immensen Potenzials von SCIGEN betonen die Forscher die Notwendigkeit einer experimentellen Validierung.<\/p>\n
Auch wenn wir auf eine Welt blicken k\u00f6nnen, in der Materialien, die besser auf unsere Bed\u00fcrfnisse zugeschnitten sind, in raschem Tempo erzeugt werden k\u00f6nnen, muss die Nachhaltigkeit unser Anker bleiben. Mit dem Fortschreiten der Forschung k\u00f6nnten k\u00fcnftige Versionen von SCIGEN Beschr\u00e4nkungen auf der Grundlage der chemischen Zusammensetzung oder funktioneller Eigenschaften enthalten. Wie Okabe, eine Schl\u00fcsselfigur im Forschungsteam, anmerkt, \"erzeugen wir mit SCIGEN vielleicht insgesamt weniger stabile Materialien, aber wir erh\u00f6hen unsere Chancen, etwas wirklich Revolution\u00e4res zu entdecken, dramatisch\".<\/p>\n
Unterst\u00fctzung f\u00fcr 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<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" Artificial Intelligence (AI) has been reshaping numerous fields, and now it’s leaving its mark on materials science. Tech heavyweights such as Google, Microsoft, and Meta have been successfully using generative AI models to design a multitude of new materials, employing vast training datasets to do so. These models are incredibly effective when it comes to transforming text prompts into striking images. Yet, a noticeable limitation emerges when these models are tasked with creating materials possessing rare quantum properties like superconductivity and exotic magnetic states. Recognizing this problem, researchers at MIT decided to roll up their sleeves and tackle the issue […]<\/p>\n","protected":false},"author":4,"featured_media":7181,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2,47],"tags":[],"class_list":["post-7180","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-images","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7180","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=7180"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7180\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/7181"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=7180"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=7180"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=7180"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}