Am 23. September 2025 haben Forscher der Technischen Universität Ilmenau bedeutende Fortschritte in der Materialforschung vorgestellt. Mit der Entwicklung eines Graph-Attention-Netzwerks, das sowohl Vorhersagen treffen als auch interpretierbare Ergebnisse liefern kann, läuten sie eine neue Ära der künstlichen Intelligenz in der Wissenschaft ein. Die Studie, die auf einem umfassenden Datensatz von 10.000 quantenmechanisch berechneten optischen Spektren beruht, wurde am HPC-Cluster der TU Ilmenau erstellt und stellt einen innovativen Ansatz zur Analyse von Materialien dar. TU Ilmenau berichtet, dass dieses Modell dazu in der Lage ist, eine verständliche „Landkarte“ des Materialraums zu generieren.
Das Team verwendet UMAP (Uniform Manifold Approximation and Projection), um hochdimensionale Daten zu visualisieren. Dadurch wird deutlich, wie das Netzwerk Materialien basierend auf ihren chemischen Prinzipien kategorisiert. Max Großmann, Koautor der Studie, hebt hervor, dass dies einen erheblichen Fortschritt in Richtung einer interpretierbaren KI für die Materialwissenschaften darstellt. Diese neuen Methoden ermöglichen eine präzisere Identifikation von Materialien, was nicht nur die Geschwindigkeit, sondern auch die Genauigkeit der Vorhersagen verbessert.
Innovative Techniken zur Materialforschung
Die Untersuchung nutzt Transferlernen, um bereits trainierte Modelle auf neue Aufgaben anzupassen. Dabei kommen grobe Daten zur Voranpassung des Modells zur Anwendung. Anschließend verfeinern hochpräzise RPA-Daten die Vorhersagen. Laut Prof. Erich Runge, einem weiteren Ko-Autor, zeigen moderne Algorithmen vielversprechende Ansätze zur Lösung der Herausforderungen in der Materialwissenschaft auf. Ihre Vorhersagen sind nicht nur genau, sondern auch nah an experimentellen Ergebnissen, was das Verständnis der zugrunde liegenden Prinzipien fördert.
Ein weiterer entscheidender Aspekt der Studie ist das Potenzial, die Entwicklung neuer nachhaltiger Materialien zu beschleunigen. So könnten Materialien entstehen, die beispielsweise eine effizientere Umwandlung von Sonnenlicht in Strom ermöglichen, was in Zeiten des Klimawandels und der Energiewende von besonderer Bedeutung ist.
Graph Attention Networks – Eine neue Dimension in der KI
Ein elementarer Bestandteil der Forschung ist die Grundlage, auf der das Graph-Attention-Netzwerk basiert, die durch andere Wissenschaftler wie Petar Veličković und seine Kollegen etabliert wurde. Ihre Arbeit, die in einem Artikel mit dem Titel „Graph Attention Networks“ veröffentlicht wurde, beschreibt neue neuronale Netzwerkarchitekturen für graphstrukturierte Daten. Diese Architekturen verwenden maskierte selbstaufmerksame Schichten, um einige der Nachteile früherer Methoden zu überwinden, die auf Graphenfaltungen basieren. Die Ergebnisse sind beeindruckend; die GAT-Modelle haben in vier wichtigen transduktiven und induktiven Graph-Benchmarks, wie Cora und Pubmed, herausragende Ergebnisse erzielt. arxiv dokumentiert diese bemerkenswerte Entwicklung.
Die Kombination dieser innovativen Ansätze stellt nicht nur einen Schritt in die Zukunft der Materialwissenschaft dar, sondern zeigt auch, wie KI und maschinelles Lernen bestehende Verfahren revolutionieren können. Die neuen Methoden und Modelle schaffen eine klare Perspektive auf die Herausforderungen und Möglichkeiten, die der Verantwortliche Umgang mit Ressourcen in den kommenden Jahren bietet.
Die Originalpublikationen, die diese Entwicklungen näher erläutern, sind:
– M. Grunert, M. Großmann, E. Runge, „Machine learning climbs the Jacob’s Ladder of optoelectronic properties“, Nat. Commun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, „Discovery of Sustainable Energy Materials Via the Machine-Learned Material Space“, Small, 2412519 (2025).
