Ilmenau-forskere revolusjonerer materialvitenskap med AI!

Ilmenau-forskere revolusjonerer materialvitenskap med AI!

23. september 2025 presenterte forskere ved Ilmenau University of Technology betydelige fremskritt innen materialforskning. Ved å utvikle et grafisk oppmerksomhetsnettverk som både kan gi spådommer og levere tolkbare resultater, innleder de en ny æra av kunstig intelligens i vitenskapen. Studien, som er basert på et omfattende datasett med 10 000 kvantemekanisk beregnede optiske spektra, ble utført ved HPC-klyngen ved TU Ilmenau og representerer en innovativ tilnærming til å analysere materialer. TU Ilmenau rapporterer at denne modellen er i stand til å generere et forståelig "kart" over det materielle rommet.

Teamet bruker UMAP (Uniform Manifold Approximation and Projection) for å visualisere høydimensjonale data. Dette avslører hvordan nettverket kategoriserer materialer basert på deres kjemiske prinsipper. Max Großmann, medforfatter av studien, understreker at dette representerer betydelig fremgang mot tolkbar AI for materialvitenskap. Disse nye metodene muliggjør mer presis identifikasjon av materialer, og forbedrer ikke bare hastigheten, men også nøyaktigheten av spådommer.

Innovative teknikker for materialforskning

Studiet bruker overføringslæring for å tilpasse allerede opplærte modeller til nye oppgaver. Grove data brukes til å forhåndsjustere modellen. RPA-data med høy presisjon avgrenser deretter spådommene. I følge prof. Erich Runge, en annen medforfatter, viser moderne algoritmer lovende tilnærminger til å løse utfordringene innen materialvitenskap. Deres spådommer er ikke bare nøyaktige, men også nær eksperimentelle resultater, noe som fremmer forståelsen av de underliggende prinsippene.

Et annet viktig aspekt ved studien er potensialet for å akselerere utviklingen av nye bærekraftige materialer. Dette kan resultere i materialer som for eksempel gjør at sollys kan omdannes mer effektivt til elektrisitet, noe som er spesielt viktig i tider med klimaendringer og energiomstilling.

Graph Attention Networks – En ny dimensjon i AI

En grunnleggende del av forskningen er grunnlaget som grafenes oppmerksomhetsnettverk er basert på, etablert av andre forskere som Petar Veličković og hans kolleger. Arbeidet deres, publisert i en artikkel med tittelen "Graph Attention Networks", beskriver nye nevrale nettverksarkitekturer for grafstrukturerte data. Disse arkitekturene bruker maskerte selvoppmerksomme lag for å overvinne noen av ulempene ved tidligere metoder basert på grafviklinger. Resultatene er imponerende; GAT-modellene har oppnådd enestående resultater i fire store transduktive og induktive grafreferanser, som Cora og Pubmed. arxiv dokumenterer denne bemerkelsesverdige utviklingen.

Kombinasjonen av disse innovative tilnærmingene representerer ikke bare et skritt inn i fremtiden for materialvitenskap, men viser også hvordan AI og maskinlæring kan revolusjonere eksisterende prosesser. De nye metodene og modellene skaper et tydelig perspektiv på hvilke utfordringer og muligheter ansvarlig ressursbruk vil by på i årene som kommer.

De originale publikasjonene som forklarer denne utviklingen mer detaljert er:
– M. Grunert, M. Großmann, E. Runge, “Machine learning climbs the Jacob’s Ladder of optoelectronic properties”, Nat. Commun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, “Oppdagelse av bærekraftige energimaterialer via maskinlært materialrom”, Small, 2412519 (2025).