Výzkumníci z Ilmenau revolučně mění vědu o materiálech pomocí AI!

Výzkumníci z Ilmenau revolučně mění vědu o materiálech pomocí AI!

Dne 23. září 2025 představili vědci z Technické univerzity v Ilmenau významné pokroky ve výzkumu materiálů. Vývojem sítě pro pozornost grafů, která dokáže předpovídat a poskytovat interpretovatelné výsledky, zahajují novou éru umělé inteligence ve vědě. Studie, která je založena na komplexním souboru dat 10 000 kvantově mechanicky vypočítaných optických spekter, byla provedena na klastru HPC na TU Ilmenau a představuje inovativní přístup k analýze materiálů. TU Ilmenau uvádí, že tento model je schopen generovat srozumitelnou „mapu“ hmotného prostoru.

Tým používá UMAP (Uniform Manifold Approximation and Projection) k vizualizaci vysokorozměrných dat. To odhaluje, jak síť kategorizuje materiály na základě jejich chemických principů. Max Großmann, spoluautor studie, zdůrazňuje, že to představuje významný pokrok směrem k interpretovatelné umělé inteligenci pro vědu o materiálech. Tyto nové metody umožňují přesnější identifikaci materiálů a zlepšují nejen rychlost, ale i přesnost předpovědí.

Inovativní techniky pro výzkum materiálů

Studie využívá přenosové učení k přizpůsobení již natrénovaných modelů novým úkolům. Hrubá data se používají k přednastavení modelu. Vysoce přesná data RPA pak předpovědi zpřesňují. Podle Prof. Ericha Rungeho, dalšího spoluautora, moderní algoritmy ukazují slibné přístupy k řešení výzev v materiálové vědě. Jejich předpovědi jsou nejen přesné, ale také blízké experimentálním výsledkům, což podporuje pochopení základních principů.

Dalším zásadním aspektem studie je potenciál urychlit vývoj nových udržitelných materiálů. To by mohlo vést k materiálům, které například umožňují účinnější přeměnu slunečního světla na elektřinu, což je zvláště důležité v době změny klimatu a energetické transformace.

Graf Attention Networks – nová dimenze v AI

Základní součástí výzkumu je základ, na kterém je založena grafová pozornostní síť, kterou založili další vědci jako Petar Veličković a jeho kolegové. Jejich práce, publikovaná v článku nazvaném „Graph Attention Networks“, popisuje nové architektury neuronových sítí pro grafově strukturovaná data. Tyto architektury používají maskované sebepozorné vrstvy k překonání některých nevýhod předchozích metod založených na konvolucích grafů. Výsledky jsou působivé; Modely GAT dosáhly vynikajících výsledků ve čtyřech hlavních transduktivních a indukčních grafech, jako jsou Cora a Pubmed. arxiv dokumentuje tento pozoruhodný vývoj.

Kombinace těchto inovativních přístupů představuje nejen krok do budoucnosti materiálové vědy, ale také ukazuje, jak umělá inteligence a strojové učení mohou způsobit revoluci ve stávajících procesech. Nové metody a modely vytvářejí jasný pohled na výzvy a příležitosti, které zodpovědné využívání zdrojů nabídne v nadcházejících letech.

Původní publikace, které tento vývoj vysvětlují podrobněji, jsou:
– M. Grunert, M. Großmann, E. Runge, „Strojové učení šplhá po Jacobově žebříku optoelektronických vlastností“, Nat. Commun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, „Objev udržitelných energetických materiálů prostřednictvím strojově učeného materiálního prostoru“, Malý, 2412519 (2025).