Studie zeigt Schwächen bei KI-Vorhersagen für Materialien auf

Eine internationale Untersuchung deckt Fehler in KI-gestützten Materialprognosen auf und stellt ein Werkzeug für zuverlässigere Vorhersagen bereit.

Computersimulationen und Künstliche Intelligenz gelten als Hoffnungsträger bei der Suche nach neuen Hochleistungsmaterialien. Eine internationale Studie unter Leitung der Universität Bayreuth zeigt nun gravierende Schwächen dieser Methoden: Vorhersagen zu Eigenschaften von kristallinen Materialien sind häufig fehlerhaft, wenn kristallographische Unordnung nicht berücksichtigt wird.

Laut Veröffentlichung der Studie im Fachjournal "Advanced Materials" basieren viele Workflows auf idealisierten Kristallgittern, die die Realität nicht exakt widerspiegeln. In der Praxis enthalten Materialien demnach oft Substitutionsunordnung – eine Durchmischung ähnlicher Elemente im Gitter. Fehlt diese Information, können KI-Modelle falsche Eigenschaften prognostizieren.

Werkzeug für zuverlässigere Vorhersagen

Mit einem neu entwickelten Tool durchsuchte das Team Datenbanken mit Materialien, die zuvor als vielversprechend eingestuft wurden. In allen Fällen wurde dabei festgestellt, dass ein erheblicher Teil dieser Vorhersagen in Experimenten voraussichtlich Unordnung aufweist – in einem Fall waren über 80 % der vorgeschlagenen Materialien betroffen. Das bedeutet, dass die große Mehrheit der in dieser Datenbank gefundenen Materialien im Experiment deutlich andere Eigenschaften haben könnte als in der Vorhersage.

"Unsere Studie zeigt, dass Unordnung in der rechnergestützten Materialwissenschaft ein entscheidender Stolperstein sein kann, wenn sie von der Simulation nicht berücksichtigt wird. Glücklicherweise können mit den bereitgestellten Werkzeugen ungeordnete Materialien auch in groß angelegten Workflows erkannt und mit den richtigen rechnerischen Methoden adressiert werden", sagt Prof. Dr. Johannes T. Margraf, Inhaber des Lehrstuhls Physikalische Chemie V der Universität Bayreuth. Das entwickelte Tool soll künftig sowohl die Zuverlässigkeit als auch die Effizienz der rechnergestützten Materialsuche erheblich verbessern.