Ilmenau-onderzoekers zorgen voor een revolutie in de materiaalwetenschap met AI!

Ilmenau-onderzoekers zorgen voor een revolutie in de materiaalwetenschap met AI!

Op 23 september 2025 presenteerden onderzoekers van de Ilmenau University of Technology aanzienlijke vooruitgang in materiaalonderzoek. Door een grafisch aandachtsnetwerk te ontwikkelen dat zowel voorspellingen kan doen als interpreteerbare resultaten kan leveren, luiden ze een nieuw tijdperk van kunstmatige intelligentie in de wetenschap in. De studie, die is gebaseerd op een uitgebreide dataset van 10.000 kwantummechanisch berekende optische spectra, werd uitgevoerd in het HPC-cluster van de TU Ilmenau en vertegenwoordigt een innovatieve benadering voor het analyseren van materialen. TU Ilmenau meldt dat dit model in staat is een begrijpelijke ‘kaart’ van de materiële ruimte te genereren.

Het team gebruikt UMAP (Uniform Manifold Approximation and Projection) om hoogdimensionale gegevens te visualiseren. Dit laat zien hoe het netwerk materialen categoriseert op basis van hun chemische principes. Max Großmann, co-auteur van het onderzoek, benadrukt dat dit een aanzienlijke vooruitgang betekent in de richting van interpreteerbare AI voor de materiaalkunde. Deze nieuwe methoden maken een nauwkeurigere identificatie van materialen mogelijk, waardoor niet alleen de snelheid maar ook de nauwkeurigheid van voorspellingen wordt verbeterd.

Innovatieve technieken voor materiaalonderzoek

De studie maakt gebruik van transfer learning om reeds getrainde modellen aan te passen aan nieuwe taken. Grove gegevens worden gebruikt om het model vooraf aan te passen. Uiterst nauwkeurige RPA-gegevens verfijnen vervolgens de voorspellingen. Volgens prof. Erich Runge, een andere co-auteur, laten moderne algoritmen veelbelovende benaderingen zien voor het oplossen van de uitdagingen in de materiaalkunde. Hun voorspellingen zijn niet alleen accuraat, maar komen ook dicht in de buurt van experimentele resultaten, waardoor het begrip van de onderliggende principes wordt bevorderd.

Een ander cruciaal aspect van het onderzoek is het potentieel om de ontwikkeling van nieuwe duurzame materialen te versnellen. Dit zou kunnen resulteren in materialen waarmee bijvoorbeeld zonlicht efficiënter kan worden omgezet in elektriciteit, wat vooral van belang is in tijden van klimaatverandering en de energietransitie.

Graph Attention Networks – Een nieuwe dimensie in AI

Een fundamenteel onderdeel van het onderzoek is de basis waarop het grafische aandachtsnetwerk is gebaseerd, opgericht door andere wetenschappers zoals Petar Veličković en zijn collega's. Hun werk, gepubliceerd in een artikel met de titel ‘Graph Attention Networks’, beschrijft nieuwe neurale netwerkarchitecturen voor grafiekgestructureerde gegevens. Deze architecturen maken gebruik van gemaskeerde zelf-attente lagen om enkele nadelen van eerdere methoden op basis van grafiekconvoluties te ondervangen. De resultaten zijn indrukwekkend; De GAT-modellen hebben uitstekende resultaten behaald in vier belangrijke transductieve en inductieve grafiekbenchmarks, zoals Cora en Pubmed. arxiv documenteert deze opmerkelijke ontwikkeling.

De combinatie van deze innovatieve benaderingen vertegenwoordigt niet alleen een stap in de toekomst van de materiaalkunde, maar laat ook zien hoe AI en machine learning bestaande processen radicaal kunnen veranderen. De nieuwe methoden en modellen creëren een helder perspectief op de uitdagingen en kansen die het verantwoord omgaan met hulpbronnen de komende jaren zal bieden.

De originele publicaties die deze ontwikkelingen nader toelichten zijn:
– M. Grunert, M. Großmann, E. Runge, “Machine learning beklimt de Jacobsladder van opto-elektronische eigenschappen”, Nat. Gemeenschappelijk. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, “Ontdekking van duurzame energiematerialen via de machinaal geleerde materiële ruimte”, Small, 2412519 (2025).