Auf der Suche nach der Entwicklung neuer Materialien verlassen sich Wissenschaftler oft auf ein leistungsfähiges, aber rechenintensives Werkzeug namens Dichtefunktionaltheorie. Diese Methode fungiert als virtuelles Mikroskop, das berechnet, wie sich Elektronen um Atome anordnen, um die Eigenschaften eines Materials zu bestimmen, wie etwa dessen Festigkeit, Leitfähigkeit oder die Fähigkeit zur Wärmeleitung. Obwohl diese Berechnungen präzise sind, sind sie so langsam, dass das Testen selbst weniger als ein paar tausend Kandidatenstrukturen Jahre dauern kann. Um dies zu beschleunigen, haben Forscher auf künstliche Intelligenz zurückgegriffen, insbesondere auf eine Art von Modell, das als Graph Neural Network bekannt ist. Diese Netzwerke behandeln einen Kristall nicht als ein Gitter aus Zahlen, sondern als eine Karte von Verbindungen, bei der Atome Punkte und die Bindungen zwischen ihnen Linien sind. Indem sie aus Tausenden bekannter Kristalle lernen, können diese Karten Eigenschaften in einem Bruchteil einer Sekunde vorhersagen. Jahrelang waren diese KI-Modelle jedoch fragil, da sie spezialisierte Softwarebibliotheken erforderten, die oft beim Update der Computerhardware funktionierten nicht mehr, und sie waren darauf beschränkt, jeweils nur eine Sache gleichzeitig vorherzusagen, was Wissenschaftler dazu zwang, separate, voneinander isolierte Modelle für verschiedene Aufgaben auszuführen.

Ein Forschungsteam hat nun ein neues, vereinheitlichtes Framework namens ALIGNN 2.0 vorgestellt, das diese Probleme löst, indem es das gesamte System unter Verwendung ausschließlich standardisierter, weit verbreiteter Softwarekomponenten von Grund auf neu aufbaut. Dieser neue Ansatz macht die Verwendung spezialisierter, schwer zu wartender Bibliotheken überflüssig, wodurch die Modelle einfacher zu installieren und auf den neuesten Computerchips auszuführen sind. Noch wichtiger ist, dass es den gesamten Arbeitsablauf vereinheitlicht: Ein einziges Modell kann nun eine Vielzahl verschiedener Eigenschaften aus einer Kristallstruktur vorhersagen, die von einfachen Zahlen wie der Energie bis hin zu komplexen Formen wie Vibrationsspektren und sogar den Kräften, die Atome zusammenhalten, reicht. Dies ermöglicht es Wissenschaftlern, zu simulieren, wie sich ein Material bewegt und verändert – eine Aufgabe, die zuvor einen völlig anderen Typ von Modell erfordert hätte. Die Forscher stellten fest, dass eine spezifische Art der Verbindung von Atomen am besten für die Vorhersage statischer Eigenschaften geeignet ist, während eine leicht andere Verbindungsmethode entscheidend ist, um Bewegungen zu simulieren, ohne die Gesetze der Physik zu verletzen. Durch die Beherrschung von beidem kann das neue System Millionen von Materialien auf Supraleiter untersuchen, vorhersagen, wie sie sich beim Erhitzen vibrieren, und sogar völlig neue Kristallstrukturen generieren, die es noch nicht gibt.

Der Kern dieser Errungenschaft liegt darin, wie das Modell das Material „sieht“. Traditionelle Modelle betrachten oft Atome und die geraden Linien, die sie verbinden, aber dieses neue System fügt eine zweite Ebene der Sichtweise hinzu: eine Karte der Winkel zwischen diesen Linien. Dies ermöglicht es der KI, die dreidimensionale Geometrie des Kristalls zu verstehen, was entscheidend für die Vorhersage von Eigenschaften wie der Verformbarkeit eines Materials unter Druck oder seiner elektrischen Leitfähigkeit ist. Die Forscher testeten dieses neue Framework gegen dreißig verschiedene Aufgaben, von der Vorhersage der Energie, die erforderlich ist, um eine Schicht von einem Material abzutragen, bis hin zur Berechnung der Temperatur, bei der eine Substanz zu einem Supraleiter wird. In sechsundzwanzig dieser Tests übertraf das neue Modell die bisherigen besten Versionen und zeigte signifikante Verbesserungen bei der Vorhersage komplexer Reaktionen wie der Piezoelektrizität, also der Fähigkeit eines Materials, elektrische Energie zu erzeugen, wenn es zusammengedrückt wird. Das System war zudem in der Lage, das vollständige Lichtspektrum, das ein Material absorbiert oder emittiert, vorherzusagen, wobei es die Ergebnisse viel langsamerer, traditioneller Physiksimulationen erreichte.

Über die bloße Vorhersage dessen hinaus, was ein bekanntes Material tun wird, haben die Forscher demonstriert, dass dieses Framework auch in umgekehrter Richtung arbeiten kann, um neue Materialien zu erfinden. Indem man dem Modell eine gewünschte chemische Zusammensetzung und eine Ziel-Eigenschaft zuführt, wie etwa eine spezifische Supraleitertemperatur, kann das System eine Liste von Kandidaten-Kristallstrukturen generieren, die diese Merkmale besitzen könnten. In Tests mit über einhunderttausend potenziellen Materialien identifizierte das System erfolgreich bekannte Hochtemperatur-Supraleiter und sagte deren Verhalten mit hoher Genauigkeit voraus. Es ging sogar noch einen Schritt weiter, indem es die volle Form der Elektron-Phonon-Wechselwirkung vorhersagte, eine detaillierte Karte darüber, wie Elektronen und atomare Vibrationen interagieren, was für das Verständnis der Supraleitung essenziell ist. Diese Fähigkeit erlaubt es Forschern, riesige Datenbanken von Materialien zu durchsuchen und vielversprechende Kandidaten für reale Anwendungen zu finden, ohne sie vorher synthetisieren zu müssen.

Die Leistungsfähigkeit dieses vereinheitlichten Ansatzes wird noch deutlicher, wenn man betrachtet, wie er mit der physikalischen Bewegung von Atomen umgeht. Frühere Modelle konnten zwar die Energie eines statischen Kristalls vorhersagen, scheiterten aber oft, wenn sie gebeten wurden, den Kristall in Bewegung zu simulieren, da ihre Vorhersagen sprunghaft schwankten, sobald sich die Atome leicht verschoben. Das neue ALIGNN 2.0-Modell hingegen liefert glatte, kontinuierliche Vorhersagen, die die Energie erhalten, was es ermöglicht, realistische Simulationen darüber zu steuern, wie sich Materialien unter Belastung oder bei hohen Temperaturen verhalten. Die Forscher testeten dies durch die Simulation des Verhaltens von Silizium und anderen Materialien und fanden heraus, dass das Modell über lange Zeiträume stabil blieb – eine kritische Anforderung für jedes Werkzeug, das im Design realer Geräte eingesetzt wird. Diese Stabilität bedeutet, dass dasselbe Modell verwendet werden kann, um eine Struktur in ihren niedrigsten Energiezustand zu relaxieren, die Kräfte zu berechnen und diese Kräfte dann sofort zu nutzen, um zu simulieren, wie sie vibrieren oder Wärme leiten würden, alles innerhalb eines einzigen, nahtlosen Arbeitsablaufs.

Die Auswirkungen dieser Arbeit erstrecken sich auch auf die Art und Weise, wie Wissenschaftler Materialien beobachten. Die Forscher zeigten, dass dasselbe Modell nicht nur die Struktur und Energie vorhersagen kann, sondern auch die detaillierten Bilder, die in einem Elektronenmikroskop erscheinen würden. Durch die Berechnung, wie Atome bei Raumtemperatur vibrieren, konnte das System die verschwommenen, hellen Punkte simulieren, die in hochauflösenden Bildern schwerer Atome zu sehen sind, und damit die Ergebnisse komplexer physikalischer Simulationen erreichte. Dies schafft einen geschlossenen Kreislauf, in dem ein Modell eine Struktur vorhersagen, simulieren kann, wie sie unter einem Mikroskop aussehen würde, und dann dieses simulierte Bild nutzen kann, um die Eigenschaften der Struktur zu verifizieren. Das Team wandte dies auch auf das Design komplexer Bauteile an, wie etwa magnetischer Tunnelkontakte, die in Computerspeichern verwendet werden, wobei das Modell das magnetische und elektrische Verhalten mehrerer Schichten verschiedener Materialien, die übereinander gestapelt sind, erfolgreich vorhersagte.

Eine der bedeutendsten Erkenntnisse der Studie war die Entdeckung, dass die beste Art, Atome im Modell zu verbinden, von der jeweiligen Aufgabe abhängt. Für die Vorhersage statischer Eigenschaften wie Energie oder Bandlücken funktionierte eine Methode, die jedes Atom mit seinen acht nächsten Nachbarn verbindet, am besten, da sie eine breitere Sicht auf die Umgebung bot. Um jedoch Bewegung und Kräfte zu simulieren, verursachte diese Methode Probleme, da sich die Liste der Nachbarn abrupt änderte, sobald sich die Atome bewegten, was zu unrealistischen Energiesprüngen führte. Die Forscher fanden heraus, dass eine Methode basierend auf einem festen Abstand – bei der Atome verbunden werden, wenn sie sich innerhalb eines bestimmten Bereichs befinden – die notwendigen glatten Übergänge für genaue Bewegungssimulationen bot. Obwohl diese distanzbasierte Methode bei statischen Vorhersagen etwas weniger genau war, war sie die einzige, die beide Aufgaben gleichzeitig bewältigen konnte, ohne zu scheitern. Dieser Kompromiss verdeutlicht eine wichtige Erkenntnis: Die Wahl, wie man die Geometrie des Materials darstellt, ist genauso wichtig wie der Lernalgorithmus selbst.

Die Forscher untersuchten auch, ob das Hinzufügen einer zusätzlichen Informationsebene über Bindungswinkel, getrennt von der Hauptstruktur, die Fähigkeit des Modells verbessern würde, neue Kristalle zu generieren. Sie fanden heraus, dass diese zusätzliche Information zwar half, die Geometrie der Winkel zu erlernen, sie jedoch nicht konsistent die Endergebnisse verbesserte, wenn sie mit der Hauptstruktur kombiniert wurde. In einigen Fällen widersprachen sich die beiden Informationsquellen sogar, was darauf hindeutet, dass die Hauptkarte bereits genügend Details über die Winkel enthielt. Dieses sorgfältige Testen verschiedener Komponenten stellt sicher, dass das endgültige Modell nicht nur eine Sammlung von Merkmalen ist, sondern ein gestrafftes System, in dem jeder Teil einen klaren Zweck erfüllt. Das Ergebnis ist ein Werkzeug, das nicht nur genauer, sondern auch effizienter ist, auf Standardhardware laufen kann und sich auf Systeme mit Hunderttausenden von Atomen skalieren lässt.

Letztendlich stellt diese Arbeit einen Wandel von der Entwicklung spezialisierter, einzweckiger Werkzeuge hin zur Schaffung eines vielseitigen All-in-One-Frameworks für die Materialwissenschaft dar. Durch die Vereinigung der Vorhersage von Eigenschaften, Kräften und Spektren sowie die Ermöglichung der Generierung neuer Strukturen haben die Forscher einen leistungsstarken neuen Weg eröffnet, um die riesige Landschaft möglicher Materialien zu erkunden. Das System wird bereits eingesetzt, um massive Datenbanken bekannter und hypothetischer Materialien zu durchsuchen und Kandidaten für Supraleiter, Batterien und andere Technologien zu identifizieren. Da das Modell auf Standardsoftware basiert und auf den neuesten Computerchips laufen kann, ist es einem breiten Spektrum an Wissenschaftlern zugänglich, was die Entdeckung neuer Materialien, die die drängendsten Energie- und Technologieprobleme der Welt lösen könnten, potenziell beschleunigt. Die Fähigkeit, vorherzusagen, wie sich ein Material verhalten, wie es vibrieren und sogar wie es unter einem Mikroskop aussehen wird – alles aus einem einzigen, vereinheitlichten Modell heraus –, markiert einen bedeutenden Fortschritt auf dem Gebiet der computergestützten Materialentdeckung.