Výskumníci z Ilmenau prinášajú revolúciu do vedy o materiáloch pomocou AI!

Výskumníci z Ilmenau prinášajú revolúciu do vedy o materiáloch pomocou AI!

Výskumníci z Technickej univerzity v Ilmenau predstavili 23. septembra 2025 významné pokroky vo výskume materiálov. Vyvinutím siete grafov, ktorá dokáže predpovedať a poskytovať interpretovateľné výsledky, ohlasujú novú éru umelej inteligencie vo vede. Štúdia, ktorá je založená na komplexnom súbore údajov 10 000 kvantovo mechanicky vypočítaných optických spektier, sa uskutočnila v klastri HPC na TU Ilmenau a predstavuje inovatívny prístup k analýze materiálov. TU Ilmenau uvádza, že tento model je schopný generovať zrozumiteľnú „mapu“ hmotného priestoru.

Tím používa UMAP (Uniform Manifold Approximation and Projection) na vizualizáciu vysokorozmerných údajov. To odhaľuje, ako sieť kategorizuje materiály na základe ich chemických princípov. Max Großmann, spoluautor štúdie, zdôrazňuje, že to predstavuje významný pokrok smerom k interpretovateľnej AI pre vedu o materiáloch. Tieto nové metódy umožňujú presnejšiu identifikáciu materiálov a zlepšujú nielen rýchlosť, ale aj presnosť predpovedí.

Inovatívne techniky pre výskum materiálov

Štúdia využíva prenosové učenie na prispôsobenie už natrénovaných modelov novým úlohám. Hrubé údaje sa používajú na predbežnú úpravu modelu. Vysoko presné údaje RPA potom predpovede spresňujú. Podľa Prof. Ericha Rungea, ďalšieho spoluautora, moderné algoritmy ukazujú sľubné prístupy k riešeniu výziev v materiálovej vede. Ich predpovede sú nielen presné, ale aj blízke experimentálnym výsledkom, čo podporuje pochopenie základných princípov.

Ďalším kľúčovým aspektom štúdie je potenciál urýchliť vývoj nových udržateľných materiálov. Výsledkom by mohli byť materiály, ktoré napríklad umožnia účinnejšiu premenu slnečného žiarenia na elektrinu, čo je obzvlášť dôležité v časoch klimatických zmien a energetických prechodov.

Graf Attention Networks – nová dimenzia v AI

Základnou súčasťou výskumu je základ, na ktorom je založená grafová sieť pozornosti, ktorú založili iní vedci ako Petar Veličković a jeho kolegovia. Ich práca, publikovaná v článku s názvom „Graph Attention Networks“, popisuje nové architektúry neurónových sietí pre grafovo štruktúrované dáta. Tieto architektúry používajú maskované sebapozorné vrstvy na prekonanie niektorých nevýhod predchádzajúcich metód založených na konvolúciách grafov. Výsledky sú pôsobivé; Modely GAT dosiahli vynikajúce výsledky v štyroch hlavných transduktívnych a indukčných grafoch, akými sú Cora a Pubmed. arxiv dokumentuje tento pozoruhodný vývoj.

Kombinácia týchto inovatívnych prístupov predstavuje nielen krok do budúcnosti materiálovej vedy, ale tiež ukazuje, ako môže AI a strojové učenie spôsobiť revolúciu v existujúcich procesoch. Nové metódy a modely vytvárajú jasnú perspektívu o výzvach a príležitostiach, ktoré zodpovedné využívanie zdrojov ponúkne v nasledujúcich rokoch.

Pôvodné publikácie, ktoré podrobnejšie vysvetľujú tento vývoj, sú:
– M. Grunert, M. Großmann, E. Runge, „Strojové učenie stúpa po Jacobovom rebríčku optoelektronických vlastností“, Nat. komun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, „Objav udržateľných energetických materiálov prostredníctvom strojovo učeného materiálneho priestoru“, Malý, 2412519 (2025).