Ilmenau-forskere revolutionerer materialevidenskaben med kunstig intelligens!

Ilmenau-forskere revolutionerer materialevidenskaben med kunstig intelligens!

Den 23. september 2025 præsenterede forskere ved Ilmenau University of Technology betydelige fremskridt inden for materialeforskning. Ved at udvikle et grafisk opmærksomhedsnetværk, der både kan lave forudsigelser og levere fortolkelige resultater, indleder de en ny æra med kunstig intelligens i videnskaben. Undersøgelsen, som er baseret på et omfattende datasæt på 10.000 kvantemekanisk beregnede optiske spektre, blev udført ved HPC-klyngen på TU Ilmenau og repræsenterer en innovativ tilgang til at analysere materialer. TU Ilmenau rapporterer, at denne model er i stand til at generere et forståeligt "kort" over det materielle rum.

Holdet bruger UMAP (Uniform Manifold Approximation and Projection) til at visualisere højdimensionelle data. Dette afslører, hvordan netværket kategoriserer materialer ud fra deres kemiske principper. Max Großmann, medforfatter af undersøgelsen, understreger, at dette repræsenterer betydelige fremskridt hen imod fortolkelig AI til materialevidenskab. Disse nye metoder muliggør mere præcis identifikation af materialer, hvilket forbedrer ikke kun hastigheden, men også nøjagtigheden af ​​forudsigelser.

Innovative teknikker til materialeforskning

Studiet bruger transferlæring til at tilpasse allerede trænede modeller til nye opgaver. Grove data bruges til at forindstille modellen. RPA-data med høj præcision forfiner derefter forudsigelserne. Ifølge prof. Erich Runge, en anden medforfatter, viser moderne algoritmer lovende tilgange til at løse udfordringerne inden for materialevidenskab. Deres forudsigelser er ikke kun nøjagtige, men også tæt på eksperimentelle resultater, hvilket fremmer forståelsen af ​​de underliggende principper.

Et andet afgørende aspekt af undersøgelsen er potentialet til at accelerere udviklingen af ​​nye bæredygtige materialer. Det kan resultere i materialer, der for eksempel gør det muligt at omdanne sollys mere effektivt til elektricitet, hvilket er særligt vigtigt i tider med klimaforandringer og energiomstillingen.

Graph Attention Networks – En ny dimension i AI

En grundlæggende del af forskningen er det grundlag, som grafens opmærksomhedsnetværk er baseret på, etableret af andre videnskabsmænd såsom Petar Veličković og hans kolleger. Deres arbejde, offentliggjort i et papir med titlen "Graph Attention Networks", beskriver nye neurale netværksarkitekturer for grafstrukturerede data. Disse arkitekturer bruger maskerede selvopmærksomme lag for at overvinde nogle af ulemperne ved tidligere metoder baseret på graffoldninger. Resultaterne er imponerende; GAT-modellerne har opnået fremragende resultater i fire store transduktive og induktive grafbenchmarks, såsom Cora og Pubmed. arxiv dokumenterer denne bemærkelsesværdige udvikling.

Kombinationen af ​​disse innovative tilgange repræsenterer ikke kun et skridt ind i fremtiden for materialevidenskab, men viser også, hvordan AI og maskinlæring kan revolutionere eksisterende processer. De nye metoder og modeller skaber et klart perspektiv på de udfordringer og muligheder, som ansvarlig brug af ressourcer byder på i de kommende år.

De originale publikationer, der forklarer denne udvikling mere detaljeret er:
– M. Grunert, M. Großmann, E. Runge, "Machine learning climbs the Jacob's Ladder of optolectronic properties", Nat. Commun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, "Opdagelse af bæredygtige energimaterialer via det maskinlærte materialerum", Small, 2412519 (2025).