Ilmenau pētnieki maina materiālu zinātni ar AI!

Ilmenau pētnieki maina materiālu zinātni ar AI!

2025. gada 23. septembrī Ilmenau Tehnoloģiju universitātes pētnieki iepazīstināja ar ievērojamiem sasniegumiem materiālu izpētē. Izstrādājot grafiku uzmanības tīklu, kas var gan prognozēt, gan sniegt interpretējamus rezultātus, tie ievada jaunu mākslīgā intelekta laikmetu zinātnē. Pētījums, kura pamatā ir visaptveroša datu kopa ar 10 000 kvantu mehāniski aprēķinātiem optiskajiem spektriem, tika veikts TU Ilmenau HPC klasterī, un tas ir novatoriska pieeja materiālu analīzei. TU Ilmenau ziņo, ka šis modelis spēj ģenerēt saprotamu materiālās telpas “karti”.

Komanda izmanto UMAP (vienotu kolektora aproksimāciju un projekciju), lai vizualizētu augstas dimensijas datus. Tas atklāj, kā tīkls klasificē materiālus, pamatojoties uz to ķīmiskajiem principiem. Makss Grosmans, pētījuma līdzautors, uzsver, ka tas ir ievērojams progress ceļā uz interpretējamu AI materiālu zinātnē. Šīs jaunās metodes ļauj precīzāk identificēt materiālus, uzlabojot ne tikai prognozēšanas ātrumu, bet arī precizitāti.

Inovatīvas materiālu izpētes metodes

Pētījumā tiek izmantotas pārneses mācības, lai pielāgotu jau apmācītus modeļus jauniem uzdevumiem. Modeļa iepriekšējai pielāgošanai tiek izmantoti rupji dati. Pēc tam augstas precizitātes RPA dati uzlabo prognozes. Saskaņā ar prof. Erich Runge, cita līdzautora teikto, mūsdienu algoritmi parāda daudzsološas pieejas materiālu zinātnes problēmu risināšanai. Viņu prognozes ir ne tikai precīzas, bet arī tuvas eksperimentālajiem rezultātiem, veicinot izpratni par pamatprincipiem.

Vēl viens būtisks pētījuma aspekts ir potenciāls paātrināt jaunu ilgtspējīgu materiālu izstrādi. Tas varētu radīt materiālus, kas, piemēram, ļauj efektīvāk saules gaismu pārvērst elektrībā, kas ir īpaši svarīgi klimata pārmaiņu un enerģijas pārejas laikā.

Graph Attention Networks — jauna dimensija AI

Būtiska pētījuma daļa ir pamats, uz kura balstās grafu uzmanības tīkls, ko izveidojuši citi zinātnieki, piemēram, Petars Veličkovičs un viņa kolēģi. Viņu darbs, kas publicēts rakstā ar nosaukumu “Graph Attention Networks”, apraksta jaunas neironu tīklu arhitektūras grafiski strukturētiem datiem. Šajās arhitektūrās tiek izmantoti maskēti pašizvērīgi slāņi, lai novērstu dažus iepriekšējo metožu trūkumus, kuru pamatā ir grafu konvolūcijas. Rezultāti ir iespaidīgi; GAT modeļi ir sasnieguši izcilus rezultātus četros galvenajos transduktīvo un induktīvo grafiku etalonos, piemēram, Cora un Pubmed. arxiv dokumentē šo ievērojamo attīstību.

Šo novatorisko pieeju kombinācija ne tikai ir solis materiālzinātnes nākotnē, bet arī parāda, kā AI un mašīnmācība var mainīt esošos procesus. Jaunās metodes un modeļi rada skaidru skatījumu uz izaicinājumiem un iespējām, ko atbildīga resursu izmantošana piedāvās turpmākajos gados.

Sākotnējās publikācijas, kas sīkāk izskaidro šīs norises, ir:
– M. Grunerts, M. Grosmans, E. Runge, “Mašīnmācība kāpj pa optoelektronisko īpašību Jēkaba ​​kāpnēm”, Nat. Commun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, “Ilgtspējīgu enerģijas materiālu atklāšana caur mašīnmācīto materiālu telpu”, Small, 2412519 (2025).