<iframe title="GTM" src="https://www.googletagmanager.com/ns.html?id=GTM-WBPR4W&gtm_auth=3wMU78FaVR9TNKtaXLbV8Q&gtm_preview=env-23&gtm_cookies_win=x" height="0" width="0" style="display:none;visibility:hidden"></iframe>
Materialforschung

Neuland im Kochtopf

Von Uta Bilow
Aktualisiert am 21.11.2019
 - 13:34
Materialforschung am Computermodell: Die Oberfläche eines Hochtemperatur-Supraleiters wird mit Strontiumatomen (violett) bedampft. Die Atome versehen das Material mit zusätzlichen Ladungsträger und erhöhen so dessen Leitfähigkeit.
zur Bildergalerie
Künstliche Intelligenz, Big Data und hohe Rechenkapazitäten beflügeln zunehmend auch die Suche nach neuen Hightech-Werkstoffen. Das Ziel sind Materialien mit maßgeschneiderten chemischen und physikalischen Eigenschaften.

Stetig wachsende Rechnerkapazitäten haben dem Instrumentarium der KI überall dort zum Durchbruch verholfen, wo große Datenmengen anfallen: Mit lernfähigen Algorithmen können hier wahre Schätze gehoben werden. Das gilt für die Genomanalyse wie für die personalisierte Medizin, für die Verkehrswissenschaften oder die Teilchenphysik. Dieser Trend hat auch die Materialforschung erreicht – jenes Forschungsgebiet, das untrennbar mit technologischen Fortschritten verknüpft ist.

Nicht von ungefähr sind die frühen Entwicklungsphasen der Menschheit nach Materialien benannt: Steinzeit, Bronzezeit, Eisenzeit. Denn die Verfügbarkeit von Werkstoffen bedingte seit jeher die technische Weiterentwicklung. Heute sind es Hightech-Werkstoffe, die entsprechende Anwendungen möglich machen. Beispiele dafür sind Thermoelektrika, die ungenutzte Abwärme in Strom umwandeln, Werkstoffe für leistungsfähige Akkus oder Solarzellen, Supraleiter für verlustfreien Stromtransport oder hochtemperaturfeste Werkstoffe für Turbinen und Verbrennungsmotoren, die besonders hohe Wirkungsgrade aufweisen.

Angesichts der gewaltigen Fülle an wissenschaftlichen Veröffentlichungen und den darin enthaltenen Informationen über Werkstoffe – Stichwort: Big Data – bleibt es allerdings eine enorme Herausforderung, das passende Material für eine bestimmte Anwendung zu finden. Forscher aus zwölf Einrichtungen der Max-Planck-Gesellschaft haben sich daher zusammengeschlossen, um die vorhandenen Forschungsergebnisse in einer neuen Weise nutzbar zu machen. Das Projekt „MaxNet on Big-Data-Driven Materials Science“ will die Daten auf besondere Strukturen oder Muster durchforsten. Das Ergebnis könnte eine mehrdimensionale Material-Landkarte sein, aus der sich ablesen lässt, welches Material optimal für den geplanten Zweck ist.

KI entdeckt verborgenes Wissen

Ein weiteres Ziel des Vorhabens ist es, die Datenmengen mit lernfähigen Algorithmen auf besondere Strukturen oder Muster hin zu untersuchen, die zu völlig neuen Informationen führen könnten. Konkret: Ein Blick in die Zukunft soll möglich werden, der Einsatz von KI soll die Eigenschaften von Metallen und Legierungen theoretisch vorhersagbar machen. Das klingt ambitioniert, ist in anderen Disziplinen aber bereits möglich. So können Epidemiologen aus den Nutzeranfragen in Internet-Suchmaschinen herauslesen, in welchen Regionen gerade die Grippe grassiert. Dabei lässt sich verfolgen, wie sich die Infektion ausbreitet, aber auch der weitere Verbreitungsweg vorhersagen.

Einen aktuellen Beleg für die prognostische Leistungsfähigkeit des KI-Ansatzes in der Materialwissenschaft erbrachten kürzlich Forscher vom Lawrence Livermore National Laboratory in Berkeley. Die Wissenschaftler um Vahe Tshitoyan entwickelten Suchalgorithmen, die wissenschaftliche Veröffentlichungen anhand von klug ausgewählten Stichworten und Begriffskombinationen filtern. Das Programm namens „Word2vec“ arbeitete sich ohne jegliche Vorgaben für die Mustererkennung durch über drei Millionen Abstracts wissenschaftlicher Veröffentlichungen, die zwischen 1922 und 2018 in mehr als tausend Zeitschriften erschienen waren.

Der Algorithmus lernte die Beziehung zwischen Begriffen und erfasste dabei Konzepte wie das Periodensystem der Elemente und die Kristallstruktur von Metallen. Das Programm wurde auf die Suche nach neuen Thermoelektrika geschickt und schlug 50 Verbindungen vor. In weiteren Versuchen gaben die Forscher der KI lediglich Artikel vor, die bis zum Jahr 2008 veröffentlicht worden waren. Von den fünf besten Vorhersagen, die das Programm auf dieser Datenbasis vorschlug, sind drei tatsächlich inzwischen entdeckt worden. Die anderen beiden enthalten mit Quecksilber oder Samarium giftige oder sehr seltene Elemente und werden deshalb kaum das Ziel von Experimenten sein.

Fallstricke für die KI

Das Maschinenlernen weist allerdings auch bestimmte Anfälligkeiten auf. So warnen Chemiker vom Haverford College in Pennsylvania und der Fordham University in New York vor Schwachpunkten menschlichen Ursprungs, die bereits in der Literatur stecken. Zum einen werden in Veröffentlichungen in der Regel nur Experimente dokumentiert, die erfolgreich verlaufen, zum anderen pflanzen sich falsche Annahmen und Vorurteile häufig fort.

Die Auswahl von Reagenzien kann beispielsweise auf einer Empfehlung des Gruppenleiters beruhen, oder es wird das genommen, was im Regal steht oder günstig angeschafft werden kann. Diese Subjektivität ist beim Training eines Systems zum Maschinenlernen ein potentielles Problem. Die Wissenschaftler um Sorelle Friedler und Alexander Norquist untersuchten dieses Dilemma am Beispiel der Synthese von Vanadiumboraten. Sie trainierten ihr Programm zunächst mit einem Datensatz von Synthesebedingungen aus der Literatur, um den Erfolg von Reaktionen vorherzusagen. Dieser Datensatz war weniger erfolgreich als ein zweiter, der zufällig ausgewählte Literaturvorschriften aufwies, berichten die Forscher in der Zeitschrift „Nature“. Was auf den ersten Blick als bewährt und vertrauenswürdig erscheint, kann also den Erfolg einer Modellierung mitunter einschränken.

Zweifelsohne bieten aus vorhandenen Datenbeständen mit Methoden der KI gewonnene Informationen eine große Chance auf neue Erkenntnisse. Was diese Ansätze jedoch nicht leisten: Sie liefern keine unmittelbaren Impulse, die – im chemischen Sinne – zu neuen Materialien mit neuen Eigenschaftsprofilen führen. In diesem Punkt ist die Forschung weiterhin auf die klassische Festkörpersynthese angewiesen, die im Wesentlichen explorativer Natur ist. Es wird ausprobiert, und hin und wieder ist ein Treffer dabei.

So war es schon zu Zeiten von Johann Friedrich Böttger, der in Meißen das europäische Hartporzellan erfand, und wiederholte sich 1985, als zufällig mit den fußballförmigen Fullerenen eine völlig neue Erscheinungsform von Kohlenstoff entdeckt wurde. Deshalb blicken die Materialchemiker mitunter neidisch auf ihre Kollegen aus der Molekülchemie, denn dort steht ein breites Sortiment an bewährten Reagenzien und Methoden zur Verfügung, mit denen auf dem Reißbrett entworfene Moleküle im Reaktionsgefäß produziert werden können.

Zufall hilft bei der Synthese

Eine rationale Planung in der Materialsynthese setzt hingegen das Wissen voraus, ob eine bestimmte Zusammensetzung und Struktur tatsächlich zu realisieren sind. Mit dieser Herausforderung befassen sich Forscher schon seit geraumer Zeit, darunter auch Martin Jansen, der in den neunziger Jahren mit Kollegen am Max-Planck-Institut für Festkörperforschung in Stuttgart einen Ansatz entwickelte, der auf dem Konzept der Energielandschaft chemischer Stoffe beruht. Dabei wird von allen nur denkbaren räumlichen Anordnungen von Atomen ausgegangen. Jeder einzelnen Konfiguration kann eine potentielle Energie zugeordnet werden, womit eine Hyperfläche der potentiellen Energie resultiert. Auf dieser Fläche ist also die Gesamtheit der chemischen Stoffe abgebildet, und jedes Minimum der Energielandschaft entspricht einer existenzfähigen Substanz. Auf der Landkarte sind somit alle existenzfähigen chemischen Verbindungen vorgegeben und harren „nur“ ihrer Entdeckung.

Könnte man diese Energielandschaft berechnen, wären lohnenswerte Zielverbindungen identifiziert. Doch trotz der immens gestiegenen Rechenkapazitäten ist dies immer noch ein aussichtsloses Unterfangen, da der dafür erforderliche Rechenaufwand weit jenseits des heute Machbaren liegt. Stattdessen erkundete Jansen, der kürzlich für sein Konzept zur Syntheseplanung mit dem diesjährigen Otto-Hahn-Preis ausgezeichnet wurde, rechnerisch solche Multi-Minima-Landschaften mit durch Zufall gesteuerten Wanderungen. Dabei wurden stets die bereits bekannten Verbindungen eines Systems gefunden, aber auch neue Kandidaten entdeckt wie Natriumnitrid (Na3N), das anschließend im Labor hergestellt werden konnte.

Der Ansatz wird verbreitet weiterverfolgt. So nutzen Artem Oganov vom Skolkovo Institute of Science and Technology in Moskau dafür beispielsweise Rechenverfahren, die auf evolutionären Algorithmen basieren und von bekannten Strukturtypen ausgehen. Chris Pickard und Richard Needs von der britischen University of Cambridge verwenden einen anderen Ansatz, der mit idealen Netzen beginnt. In einem Aufsatz in den „Nature Reviews“ haben beide Gruppen kürzlich gemeinsam ihre komplementären Vorgehensweisen beschrieben. Die rechnergestützte Entdeckung von Materialien führte bereits zu neuen superharten Werkstoffen, Materialien für die Photovoltaik und Supraleiter.

KI ist zweifelsohne ein wichtiges Werkzeug, das bei der Lösung wesentlicher Probleme der Materialforschung helfen kann. Die riesigen Datenmengen aus der Materialwissenschaft bieten eine große Chance auf Erkenntnisgewinn, wenn man den Informationsgehalt mit Konzepten und Methoden der Künstlichen Intelligenz ausschöpft. Und lernfähige Algorithmen sowie leistungsstarke Informationstechnik ermöglichen es zunehmend, chemische Stoffsysteme nach rationalen Konzepten zu analysieren. Die Bundesregierung hat vor einem Jahr angekündigt, mit der KI-Strategie das Thema hierzulande voranzubringen. Hundert neue Professuren für Künstliche Intelligenz sollen entstehen.

Das bezieht sich allerdings auf das gesamte Forschungsfeld. Am KIT in Karlsruhe wird derzeit gerade mal eine Professur besetzt „für die Anwendung von Verfahren der KI-Forschung auf materialwissenschaftliche Fragestellungen“. Weiter heißt es in der Stellenanzeige: „Diese spezielle wissenschaftliche Ausprägung ist bisher kaum etabliert.“

Quelle: F.A.Z.
  Zur Startseite
Verlagsangebot
Verlagsangebot

Diese Webseite verwendet u.a. Cookies zur Analyse und Verbesserung der Webseite, zum Ausspielen personalisierter Anzeigen und zum Teilen von Artikeln in sozialen Netzwerken. Unter Datenschutz erhalten Sie weitere Informationen und Möglichkeiten, diese Cookies auszuschalten.