← Neueste Arbeiten
🔬 Materialwissenschaft

SPARC: Evidence-guided adaptive model composition for materials discovery

SPARC ist ein Framework für die Entdeckung von Materialien, das den Einfluss konkurrierender prädiktiver Modelle basierend auf Out-of-Fold-Experimentaldaten dynamisch anpasst, um die Exploration zu optimieren und Messungen zu identifizieren, die einer Verifizierung bedürfen, wodurch eine überlegene Leistung sowohl in der Vorhersagegenauigkeit als auch in der experimentellen Effizienz im Vergleich zu bestehenden Methoden demonstriert wird.

Ursprünglicher Autor: Sissi Feng, Yuchen Han, Runze Zhang, Jiaru Bai, Brandon Sutherland, Ali Shayesteh Zeraati, Jason Hattrick-Simpers, Varinia Bernales, Alán Aspuru-Guzik, Yang Bai

Veröffentlicht 2026-11-17
📖 6 Min. Lesezeit🧠 Tiefgang

Ursprünglicher Autor: Sissi Feng, Yuchen Han, Runze Zhang, Jiaru Bai, Brandon Sutherland, Ali Shayesteh Zeraati, Jason Hattrick-Simpers, Varinia Bernales, Alán Aspuru-Guzik, Yang Bai

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die Wissenschaft stützt sich seit langem auf einen Zyklus aus Versuch und Irrtum: Ein Forscher schlägt eine Idee vor, testet sie im Labor und nutzt das Ergebnis, um die nächste Vermutung zu prägen. In den letzten Jahren sind Computer in diesen Zyklus eingetreten und nutzen maschinelles Lernen, um vorherzusagen, welche Experimente am wahrscheinlichsten erfolgreich sein werden. Dieser Ansatz, bekannt als Closed-Loop-Experimentation, ermöglicht es Wissenschaftlern, die Suche nach neuen Materialien zu automatisieren, von besseren Batterien bis hin zu effizienteren Katalysatoren. Eine verborgene Einschränkung hat jedoch in diesen automatisierten Systemen fortbestanden. Die meisten von ihnen legen ihre anfänglichen Annahmen darüber, wie die Welt funktioniert, fest, noch bevor die Suche überhaupt beginnt. Sie wählen ein spezifisches mathematisches Modell, um die Daten darzustellen, und halten daran fest, selbst wenn neue Messungen eintreffen. Diese Starrheit kann ein Problem sein, wenn Daten knapp sind. Wenn das ursprüngliche Modell falsch ist oder wenn sich die Beziehungen zwischen den Variablen ändern, während die Suche in unbekanntes Terrain vordringt, kann das System immer wieder die falschen Fragen stellen, seine eigenen Vorurteile verstärken und bessere Lösungen übersehen.

Ein Forschungsteam der University of Toronto hat ein neues Framework namens SPARC vorgestellt, das die Art und Weise verändert, wie diese automatisierten Systeme denken. Anstatt an einem einzigen Modell festzuhalten, behandelt SPARC das wissenschaftliche Modell selbst als eine Hypothese, die ständig revidiert werden muss. Es fragt kontinuierlich ab, welche von mehreren konkurrierenden mathematischen Beschreibungen tatsächlich durch die neu eintreffenden Belege aus dem Labor gestützt werden. Indem es diese konkurrierenden Modelle basierend darauf gegeneinander abwägt, wie gut sie ungesehene Daten vorhersagen, kann das System seinen Fokus verschieben, während sich die Beweise häufen. Dieser Ansatz ermöglicht es der Suche, flexibel zu bleiben und die Strategie nicht nur an neue Ergebnisse anzupassen, sondern auch an die sich ändernde Zuverlässigkeit der Theorien, die zur Interpretation der Daten verwendet werden.

Die Forscher testeten diese Idee anhand von acht verschiedenen Datensätzen, die molekulare, polymere und anorganische Materialien betrafen. In diesen Tests musste SPARC Eigenschaften wie die Stabilität von Katalysatoren oder die Leistung von Batteriekomponenten vorhersagen, ohne sich auf die komplexen, vorab berechneten chemischen Deskriptoren zu verlassen, die andere Methoden oft erfordern. Die Ergebnisse zeigten, dass SPARC in den meisten Fällen die Vorhersagegenauigkeit etablierter Pipelines erreichen oder übertreffen konnte. In einem spezifischen Test zur Stabilität anorganischer Materialien verbesserte die neue Methode die Vorhersagegenauigkeit im Vergleich zu früheren Berichten um fast 78 Prozent. Dieser Gewinn wurde ohne die zusätzlichen Rechenschritte erzielt, die andere Teams verwendeten, was darauf hindeutet, dass die Verbesserung durch die Art und Weise zustande kam, wie das System seine Modelle verwaltet, und nicht durch mehr Rohdaten.

Um zu verstehen, wie dies funktioniert, stellen Sie sich ein Team von Experten vor, das versucht, das Wetter vorherzusagen. Ein traditionelles System würde sich möglicherweise auf ein einziges Vorhersagemodell verlassen und jegliche Unstimmigkeiten ignorieren. SPARC hingegen hört auf ein Gremium verschiedener Modelle, von denen jedes einen leicht unterschiedlichen Ansatz verwendet, um die Daten zu verstehen. Wenn neue Wetterbeobachtungen eingehen, prüft das System, welche Modelle noch genau sind und welche zurückfallen. Es kombiniert dann die Vorhersagen der zuverlässigsten Modelle und legt mehr Gewicht auf diejenigen, die sich gegenüber der neuen Evidenz bewährt haben. Wenn die Modelle beginnen, sich uneinig zu sein, erkennt das System, dass es in einen Bereich der Unsicherheit eintritt, und passt sein Vertrauen entsprechend an. Dies verhindert, dass das System in Bereichen, in denen die Daten dünn gesät oder die zugrunde liegende Wissenschaft noch nicht vollständig verstanden ist, übermäßig selbstbewusst wird.

Die Forscher untersuchten auch, wie diese Flexibilität hilft, wenn nach Materialien gesucht wird, die sich stark von allem bisher Getesteten unterscheiden. In einem kontrollierten Test wurde das System gebeten, leistungsstarke Kandidaten in einem Bereich unter Bedingungen zu finden, die weit über die ursprünglichen Experimente hinausgehen. Als sich die Suche von den bekannten Daten entfernte, wurde das System naturgemäß unsicherer, aber es stoppte die Suche nicht. Stattdessen nutzte es sein Maß an Vertrauen, um die Exploration zu leiten, wobei es Kandidaten priorisierte, die wahrscheinlich gut waren, während es gleichzeitig die Risiken berücksichtigte. Dies ermöglichte es dem System, viel schneller als Standardmethoden vielversprechende neue Kandidaten zu finden und nahezu optimale Ergebnisse mit deutlich weniger Experimenten zu erreichen.

Der wahre Test des Systems erfolgte in einer realen Laborstudie, die sich auf die Suche nach besseren Katalysatoren für die Sauerstoffentwicklungsreaktion konzentrierte, einen Prozess, der für die Produktion von sauberem Wasserstoff entscheidend ist. Die Forscher richteten eine automatisierte Plattform ein, die neue Materialien ohne menschliches Eingreifen synthetisieren und testen konnte. Ausgehend von einer Datenbank aus 125 ursprünglichen Experimenten wählte das System 11 neue Bedingungen für Tests aus. Bemerkenswerterweise lieferten acht dieser 11 Empfehlungen Ergebnisse, die signifikant besser waren als der Durchschnitt des ursprünglichen Satzes, wobei eines einen Leistungswert von 242 Millivolt erreichte – ein Wert, der auf eine hohe Effizienz hindeutet. Diese Erfolgsrate war weita viel höher, als man es durch Zufall oder durch die Verwendung älterer Methoden erwarten würde.

Über das bloße Finden neuer Materialien hinaus demonstrierte das System auch die einzigartige Fähigkeit, seine eigene Historie zu prüfen. In derselben Kampagne baten die Forscher das System, die vorhandenen 125 Messungen zu identifizieren, die unzuverlässig sein könnten und wiederholt werden müssten. Das System markierte spezifische Datensätze zur Überprüfung basierend auf statistischen Anomalien und Inkonsistenzen. Als die Forscher diese markierten Proben nachtesten, stellten sie fest, dass die ursprünglichen Messungen tatsächlich oft weit daneben lagen, mit einer durchschnittlichen Differenz von 76 Millivolt zwischen der ersten und der zweiten Messung. Im Gegensatz dazu zeigten die nicht markierten Kontrollproben eine viel geringere Differenz von nur 27 Millivolt. Dies deutet darauf hin, dass das System nicht nur die Suche nach neuen Entdeckungen leiten, sondern auch als Qualitätskontrollmechanismus fungieren kann, der Fehler im bestehenden Datensatz identifiziert, bevor diese zukünftige Entscheidungen irreführen.

Die Studie unterstreicht einen Wandel in der Art und Weise, wie die automatisierte Wissenschaft in Zukunft operieren könnte. Anstatt ein starres Werkzeug zu sein, das einem festen Satz von Regeln folgt, agiert das System als dynamischer Partner, der sein Verständnis entwickelt, während es lernt. Es erkennt an, dass in den frühen Stadien der Entdeckung, wenn die Daten spärlich sind, der beste Weg nach vorne nicht darin besteht, einem einzelnen Modell zu vertrauen, sondern offen für mehrere Möglichkeiten zu bleiben und die Beweise entscheiden zu lassen, welche davon beibehalten werden. Indem es experimentelle Daten als Grundlage für die Revision seiner eigenen Annahmen nutzt, bietet das Framework einen robusteren Weg, um die komplexe Landschaft der Materialforschung zu navigieren und sicherzustellen, dass die Suche in dem verwurzelt bleibt, was die Daten tatsächlich unterstützen, statt in dem, was der Computer ursprünglich annahm.

Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?

Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.

Digest testen →