KI-Modell entdeckt stabile anorganische Materialien durch Symmetrie-Padding

Die computergestützte Entdeckung neuer anorganischer Materialien steht vor der Herausforderung, die enorme Vielfalt chemischer Kompositionen und Strukturlandschaften zu bewältigen. Eine aktuelle Studie präsentiert nun eine innovative Methode, die die Kodierung anorganischer Strukturen durch domainspezifische Symmetrie-Informationen verbessert.

Kernstück des Ansatzes ist eine neuartige Padding-Technik, die Kristallsymmetrien explizit berücksichtigt. Dabei werden Wyckoff-Positionen – welche symmetrisch äquivalente Punkte innerhalb einer Elementarzelle definieren – in die Encoder-Architektur integriert. Dies ermöglicht eine robustere Repräsentation der Materialien für Deep-Learning-Modelle.

Hintergrundwissen: In der Kristallographie beschreiben Wyckoff-Positionen die Lage von Atomen im Gitter unter Berücksichtigung der Raumgruppensymmetrie. Sie sind essenziell, um die periodische Struktur von Kristallen mathematisch exakt zu erfassen.

Das vorgestellte End-to-End-System kombiniert generative Modelle mit Machine-Learning-Potentialen zur Stabilitätsanalyse. So können selbst im Training ungesehene, stabile Strukturen validiert werden. Die Ergebnisse zeigen eine Steigerung der Rekonstruktionsgenauigkeit um 5,3 % bei Protonenleitern. Im Perowskit-Datensatz (allgemeine Formel $ABO_3$) wurden 63,5 % mehr neuartige stabile Materialien im Vergleich zum Basismodell generiert. Diese Methode markiert einen bedeutenden Schritt zur automatisierten Entwicklung nächster Generationen anorganischer Werkstoffe mit hoher computativer Effizienz.

Tags: chemie, materialwissenschaft, ki, kristallographie, forschung

📄 Quelle

Quelle nicht verfügbar