Ilmenau kutatói az AI segítségével forradalmasítják az anyagtudományt!

Ilmenau kutatói az AI segítségével forradalmasítják az anyagtudományt!

2025. szeptember 23-án az Ilmenau Műszaki Egyetem kutatói jelentős előrelépéseket mutattak be az anyagkutatás terén. Azáltal, hogy egy olyan gráffigyelő hálózatot fejlesztenek ki, amely előrejelzéseket és értelmezhető eredményeket hoz létre, a mesterséges intelligencia új korszakát nyitja meg a tudományban. A 10 000 kvantummechanikailag számított optikai spektrumot tartalmazó átfogó adathalmazon alapuló tanulmányt a TU Ilmenau-i HPC-klaszterben végezték, és az anyagok elemzésének innovatív megközelítését képviseli. TU Ilmenau beszámol arról, hogy ez a modell képes az anyagi tér érthető „térképét” generálni.

A csapat az UMAP-ot (Uniform Manifold Approximation and Projection) használja a nagydimenziós adatok megjelenítéséhez. Ez feltárja, hogy a hálózat hogyan kategorizálja az anyagokat kémiai elveik alapján. Max Großmann, a tanulmány társszerzője hangsúlyozza, hogy ez jelentős előrelépést jelent az értelmezhető mesterséges intelligencia irányába az anyagtudomány számára. Ezek az új módszerek lehetővé teszik az anyagok pontosabb azonosítását, és nem csak a gyorsaságot, hanem az előrejelzések pontosságát is javítják.

Innovatív technikák az anyagkutatáshoz

A tanulmány transzfertanulást alkalmaz a már betanított modellek új feladatokhoz való adaptálásához. A durva adatokat a modell előzetes beállításához használjuk. A nagy pontosságú RPA-adatok ezután finomítják az előrejelzéseket. Prof. Erich Runge, egy másik társszerző szerint a modern algoritmusok ígéretes megközelítéseket mutatnak az anyagtudományi kihívások megoldásában. Előrejelzéseik nemcsak pontosak, hanem közel állnak a kísérleti eredményekhez, elősegítve a mögöttes elvek megértését.

A tanulmány másik döntő szempontja az új, fenntartható anyagok fejlesztésének felgyorsításának lehetősége. Ez olyan anyagokat eredményezhet, amelyek például lehetővé teszik a napfény hatékonyabb elektromos árammá alakítását, ami különösen fontos az éghajlatváltozás és az energiaátállás idején.

Graph Attention Networks – Új dimenzió az AI-ban

A kutatás alapvető részét képezi az alapot, amelyen a gráffigyelem hálózat alapul, amelyet más tudósok, például Petar Veličković és munkatársai hoztak létre. A „Graph Attention Networks” című cikkben megjelent munkájuk új neurális hálózati architektúrákat ír le a gráf-strukturált adatokhoz. Ezek az architektúrák maszkolt önfigyelő rétegeket használnak a korábbi gráfkonvolúciókon alapuló módszerek néhány hátrányának kiküszöbölésére. Az eredmények lenyűgözőek; A GAT modellek kiemelkedő eredményeket értek el négy fő transzduktív és induktív gráf benchmarkban, mint például a Cora és a Pubmed. arxiv dokumentálja ezt a figyelemre méltó fejlődést.

Ezen innovatív megközelítések kombinációja nemcsak az anyagtudomány jövője felé tett lépést jelent, hanem azt is megmutatja, hogy az AI és a gépi tanulás hogyan képes forradalmasítani a meglévő folyamatokat. Az új módszerek és modellek világos perspektívát teremtenek azokra a kihívásokra és lehetőségekre, amelyeket a felelős erőforrás-felhasználás kínál majd a következő években.

Az eredeti publikációk, amelyek részletesebben ismertetik ezeket a fejleményeket:
– M. Grunert, M. Großmann, E. Runge, „A gépi tanulás mászik az optoelektronikai tulajdonságok Jacob’s Ladderjén”, Nat. Commun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, „Fenntartható energiahordozók felfedezése a gépi tanulási anyagtéren keresztül”, Small, 2412519 (2025).