Materialentwicklung KI-Agent unterstützt bei der Identifizierung neuer Werkstoffe

Redakteur: Dipl.-Ing. Dorothee Quitter

Ein internationales Forschungsteam hat der künstlichen Intelligenz die Selbstüberschätzung abgewöhnt. Der weiterentwickelte Algorithmus arbeitet nun mit dem Menschen zusammen und unterstützt Entscheidungen. So lassen sich neue Materialien schneller identifizieren.

Firmen zum Thema

Bei der Suche nach aussichtsreichen neuen Materialien in Materialbibliotheken kann künstliche Intelligenz helfen, umfangreiche Röntgenbeugungsdaten schneller und besser zu analysieren. Zum internationalen Forschungsteam gehörte auch die Ruhr-Ubiversität Bochum (RUB).
Bei der Suche nach aussichtsreichen neuen Materialien in Materialbibliotheken kann künstliche Intelligenz helfen, umfangreiche Röntgenbeugungsdaten schneller und besser zu analysieren. Zum internationalen Forschungsteam gehörte auch die Ruhr-Ubiversität Bochum (RUB).
(Bild: Lehrstuhl Materials Discovery and Interfaces)

Für die Entdeckung neuer Materialien spielt eine effiziente Analyse von Röntgenbeugungsdaten (XRD) eine wichtige Rolle. Nach Aussage der Ruhr-Universität Bochum (RUB) werden damit die Kristallstrukturen und deren Anordnung von Kandidaten neuer Materialien analysiert, um etwa herauszufinden, für welche Einsatzmöglichkeiten sie sich eignen könnten. XRD-Messungen wurden in den vergangenen Jahren zwar durch Automatisierung deutlich beschleunigt, seien größtenteils aber immer noch manuell, zeitaufwändig, fehleranfällig und nicht skalierbar. Um künftig mittels autonomer Hochdurchsatzexperimente neue Materialien schneller entdecken und optimieren zu können, braucht es neue Methoden, heißt es.

XRD-Datenauswertung mittels künstlicher Intelligenz

Die Lösung soll ein KI-Agent namens Crystallography Companion Agent sein, kurz XCA, der mit den Forschenden zusammenarbeitet. XCA kann autonome Phasenidentifikationen aus XRD-Daten durchführen, während diese gemessen werden. Laut RUB eignet sich der Agent sowohl für organische als auch für anorganische Materialsysteme. Ermöglicht werde dies durch die großskalige Simulation von physikalisch korrekten Röntgenbeugungsdaten, mit denen der Algorithmus trainiert wird.

Simulierte Expertendiskussion

Eine Besonderheit des Agenten sei es, dass er die Selbstüberschätzung traditioneller neuronaler Netzwerke überwindet. Diese liegt darin, dass eine finale Entscheidung abgegeben wird, auch wenn die Datenlage keine eindeutige Aussage zulässt. Ein Wissenschaftler hingegen würde seine Unsicherheit mitteilen und Ergebnisse mit anderen Forschenden diskutieren. Beim XCA bildet ein Ensemble aus neuronalen Netzen das Expertengremium, welches eine Empfehlung an die Wissenschaftler abgibt. Nach Angaben der RUB wird dies ohne manuelle, vom Menschen markierte Daten erreicht. XCA soll auch auf andere Formen der Charakterisierung erweiterbar sein wie zum Beispiel die Spektroskopie.

Das internationale Team mit Forschenden der Ruhr-Universität Bochum berichtete darüber in der Zeitschrift Nature Computational Science im Artikel Crystallography companion agent for high-throughput materials discovery.

(ID:47374115)