Ilmenau-forskare revolutionerar materialvetenskapen med AI!

Ilmenau-forskare revolutionerar materialvetenskapen med AI!

Den 23 september 2025 presenterade forskare vid Ilmenau University of Technology betydande framsteg inom materialforskning. Genom att utveckla ett grafisk uppmärksamhetsnätverk som både kan göra förutsägelser och leverera tolkbara resultat, inleder de en ny era av artificiell intelligens inom vetenskapen. Studien, som är baserad på en omfattande datamängd med 10 000 kvantmekaniskt beräknade optiska spektra, utfördes vid HPC-klustret vid TU Ilmenau och representerar ett innovativt tillvägagångssätt för att analysera material. TU Ilmenau rapporterar att denna modell är kapabel att generera en begriplig "karta" över det materiella rummet.

Teamet använder UMAP (Uniform Manifold Approximation and Projection) för att visualisera högdimensionell data. Detta avslöjar hur nätverket kategoriserar material utifrån deras kemiska principer. Max Großmann, medförfattare till studien, betonar att detta representerar betydande framsteg mot tolkningsbar AI för materialvetenskap. Dessa nya metoder möjliggör mer exakt identifiering av material, vilket förbättrar inte bara hastigheten utan också noggrannheten i förutsägelser.

Innovativa tekniker för materialforskning

Studien använder transfer learning för att anpassa redan tränade modeller till nya uppgifter. Grovdata används för att förinställa modellen. RPA-data med hög precision förfinar sedan förutsägelserna. Enligt Prof. Erich Runge, en annan medförfattare, visar moderna algoritmer lovande metoder för att lösa utmaningarna inom materialvetenskap. Deras förutsägelser är inte bara korrekta, utan också nära experimentella resultat, vilket främjar förståelsen av de underliggande principerna.

En annan avgörande aspekt av studien är potentialen att påskynda utvecklingen av nya hållbara material. Det kan resultera i material som till exempel gör att solljus effektivare kan omvandlas till elektricitet, vilket är särskilt viktigt i tider av klimatförändringar och energiomställning.

Graph Attention Networks – En ny dimension inom AI

En grundläggande del av forskningen är den grund som grafens uppmärksamhetsnätverk bygger på, etablerad av andra forskare som Petar Veličković och hans kollegor. Deras arbete, publicerat i en artikel med titeln "Graph Attention Networks", beskriver nya neurala nätverksarkitekturer för grafstrukturerade data. Dessa arkitekturer använder maskerade självuppmärksamma lager för att övervinna några av nackdelarna med tidigare metoder baserade på graffalsningar. Resultaten är imponerande; GAT-modellerna har uppnått enastående resultat i fyra stora transduktiva och induktiva grafriktmärken, såsom Cora och Pubmed. arxiv dokumenterar denna anmärkningsvärda utveckling.

Kombinationen av dessa innovativa tillvägagångssätt representerar inte bara ett steg in i materialvetenskapens framtid, utan visar också hur AI och maskininlärning kan revolutionera befintliga processer. De nya metoderna och modellerna skapar ett tydligt perspektiv på de utmaningar och möjligheter som ett ansvarsfullt resursutnyttjande kommer att erbjuda de kommande åren.

De ursprungliga publikationerna som förklarar denna utveckling mer i detalj är:
– M. Grunert, M. Großmann, E. Runge, "Machine learning climbs the Jacob's Ladder of optolectronic properties", Nat. Commun. 16, 8142 (2025).
– M. Grunert, M. Großmann, E. Runge, "Upptäckt av hållbara energimaterial via det maskininlärda materialutrymmet", Small, 2412519 (2025).