Ilmenau teadlased teevad AI-ga materjaliteaduses revolutsiooni!

Ilmenau teadlased teevad AI-ga materjaliteaduses revolutsiooni!

23. septembril 2025 tutvustasid Ilmenau Tehnikaülikooli teadlased olulisi edusamme materjaliuuringute vallas. Töötades välja graafilise tähelepanu võrgustiku, mis suudab nii ennustada kui ka tõlgendatavaid tulemusi, juhatavad nad sisse uue tehisintellekti ajastu teaduses. Uuring, mis põhineb 10 000 kvantmehaaniliselt arvutatud optilise spektri põhjalikul andmekogumil, viidi läbi TU Ilmenau HPC klastris ja kujutab endast uuenduslikku lähenemisviisi materjalide analüüsimisel. TLÜ Ilmenau teatab, et see mudel on võimeline looma materiaalsest ruumist arusaadava "kaardi".

Meeskond kasutab suuremõõtmeliste andmete visualiseerimiseks UMAP-i (Uniform Manifold Approximation and Projection). See näitab, kuidas võrgustik liigitab materjale nende keemiliste põhimõtete alusel. Uuringu kaasautor Max Großmann rõhutab, et see kujutab endast olulist edasiminekut materjaliteaduse jaoks tõlgendatava tehisintellekti suunas. Need uued meetodid võimaldavad materjale täpsemalt tuvastada, parandades mitte ainult kiirust, vaid ka ennustuste täpsust.

Uuenduslikud materjaliuuringute tehnikad

Uuring kasutab siirdeõpet, et kohandada juba koolitatud mudeleid uute ülesannetega. Mudeli eelreguleerimiseks kasutatakse jämedaid andmeid. Kõrge täpsusega RPA andmed täpsustavad seejärel ennustusi. Teise kaasautori prof Erich Runge sõnul näitavad kaasaegsed algoritmid paljutõotavaid lähenemisviise materjaliteaduse väljakutsete lahendamisel. Nende ennustused pole mitte ainult täpsed, vaid ka lähedased katsetulemustele, soodustades aluspõhimõtete mõistmist.

Uuringu teine ​​oluline aspekt on potentsiaal kiirendada uute jätkusuutlike materjalide väljatöötamist. Selle tulemuseks võivad olla materjalid, mis võimaldavad näiteks päikesevalgust tõhusamalt elektriks muundada, mis on eriti oluline kliimamuutuste ja energia ülemineku ajal.

Graafilised tähelepanuvõrgud – uus mõõde AI-s

Uurimistöö põhiosa on alus, millel põhineb graafilise tähelepanu võrgustik, mille on loonud teised teadlased, nagu Petar Veličković ja tema kolleegid. Nende töö, mis on avaldatud artiklis pealkirjaga "Graph Attention Networks", kirjeldab uusi närvivõrgu arhitektuure graafilise struktuuriga andmete jaoks. Need arhitektuurid kasutavad maskeeritud eneseteadlikke kihte, et ületada mõned varasemate graafikutel põhinevate meetodite puudused. Tulemused on muljetavaldavad; GAT-mudelid on saavutanud silmapaistvaid tulemusi neljas peamises transduktiivse ja induktiivse graafiku võrdlusaluses, nagu Cora ja Pubmed. arxiv dokumenteerib seda märkimisväärset arengut.

Nende uuenduslike lähenemisviiside kombinatsioon ei kujuta endast mitte ainult sammu materjaliteaduse tulevikku, vaid näitab ka seda, kuidas tehisintellekt ja masinõpe võivad olemasolevaid protsesse muuta. Uued meetodid ja mudelid loovad selge vaatenurga väljakutsetele ja võimalustele, mida vastutustundlik ressursside kasutamine lähiaastatel pakub.

Algsed väljaanded, mis neid arenguid üksikasjalikumalt selgitavad, on järgmised:
– M. Grunert, M. Großmann, E. Runge, “Masinõpe ronib optoelektrooniliste omaduste Jacobi redelil”, Nat. Commun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, „Säästlike energiamaterjalide avastamine masinõpitud materjaliruumi kaudu”, Small, 2412519 (2025).