KI-Agent hilft, Materialeigenschaften schneller zu identifizieren
Bei der Suche nach aussichtsreichen neuen Materialien in Materialbibliotheken kann künstliche Intelligenz helfen, umfangreichen Röntgenbeugungsdaten schneller und besser zu analysieren.
© Lehrstuhl Materials Discovery and Interfaces
Künstliche Intelligenz (KI) kann große Datenmengen, wie sie bei der Analyse der Eigenschaften potenzieller neuer Materialien entstehen, schneller analysieren als Menschen. Allerdings neigen solche Systeme auch angesichts von Unsicherheiten oft zu definitiven Entscheidungen, sie überschätzen sich. Ein internationales Forschungsteam hat das der KI abgewöhnt: Die Forschenden entwickelten einen Algorithmus so weiter, dass er mit dem Menschen zusammenarbeitet und Entscheidungen unterstützt. So lassen sich vielversprechende neue Materialien schneller identifizieren.
Das Team mit Forschenden der RUB berichtet in der Zeitschrift Nature Computational Science vom 19. April 2021.
Für die Arbeiten kooperierte ein Team um Dr. Phillip M. Maffettone (mittlerweile am National Synchrotron Light Source II in Upton, USA) und Prof. Dr. Andrew Cooper vom Department of Chemistry and Materials Innovation Factory der University of Liverpool mit der Bochumer Gruppe um Lars Banko und Prof. Dr. Alfred Ludwig vom Lehrstuhl Materials Discovery and Interfaces sowie Yury Lysogorskiy vom Interdisciplinary Centre for Advanced Materials Simulation.
Bisher manuell, zeitaufwändig, fehleranfällig
Für die Entdeckung neuer Materialien zum Beispiel für die Energiesysteme der Zukunft spielt eine effiziente Analyse von Röntgenbeugungsdaten (XRD) eine entscheidende Rolle. Damit werden 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 durch Automatisierung bereits deutlich beschleunigt und liefern bei der Messung von Materialbibliotheken große Datenmengen. „Allerdings sind XRD-Analysetechniken größtenteils immer noch manuell, zeitaufwändig, fehleranfällig und nicht skalierbar“, so Alfred Ludwig. „Um künftig mittels autonomer Hochdurchsatzexperimente neue Materialien schneller entdecken und optimieren zu können, braucht es neue Methoden.“
Expertendiskussion wird simuliert
Eine Besonderheit des Agenten, den das Team für die aktuelle Aufgabe angepasst hat, ist zudem, dass er die Selbstüberschätzung traditioneller neuronaler Netzwerke überwindet: Diese liegt darin, dass sie eine finale Entscheidung abgeben, auch wenn die Datenlage keine eindeutige Aussage zulässt. Ein Wissenschaftler hingegen würde seine Unsicherheit mitteilen und Ergebnisse mit anderen Forschenden diskutieren. „Diese Entscheidungsfindung in der Gruppe wird hier durch ein Ensemble von neuronalen Netzwerken simuliert, ähnlich einer Abstimmung unter Experten“, erläutert Lars Banko. Beim XCA bildet ein Ensemble aus neuronalen Netzen sozusagen das Expertengremium, welches eine Empfehlung an die Wissenschaftler abgibt. „Dies wird ohne manuelle, vom Menschen markierte Daten erreicht und ist robust gegenüber vielen Quellen der experimentellen Komplexität“, so Banko.
XCA ist auch auf andere Formen der Charakterisierung erweiterbar wie zum Beispiel die Spektroskopie. „Diese Entwicklung ergänzt die jüngsten Fortschritte in der Automatisierung und im autonomen Experimentieren und ermöglicht so einen wichtigen Schritt in der beschleunigten Entdeckung neuer Materialien“, so Alfred Ludwig.
Förderung
Die Arbeiten wurden finanziell unterstützt vom Engineering and Physical Sciences Research Council (Grant-Nummer EP/N004884/1), dem BNL-Laboratory-Directed-Research-and-Development-Project 20-032 „Accelerating materials discovery with total scattering via machine learning“, dem Leverhulme Trust, der Deutschen Forschungsgemeinschaft im Rahmen des Sonderforschungsbereichs/Transregios SFB-TR 87. Diese Forschung nutzte die PDF (28-ID-1) Beamline und die Ressourcen der National Synchrotron Light Source II, einer Nutzereinrichtung am Office of Science des US-amerikanischen Energieministeriums (DOE), die für das DOE Office of Science vom Brookhaven National Laboratory unter der Vertragsnummer DE-SC0012704 betrieben wird.
Wissenschaftliche Ansprechpartner:
Prof. Dr. Alfred Ludwig
Materials Discovery and Interfaces
Institut für Werkstoffe
Fakultät für Maschinenbau
und Zentrum für Grenzflächendominierte Höchstleistungswerkstoffe
Ruhr-Universität Bochum
E Mail: alfred.ludwig@rub.de
Originalpublikation:
Phillip M. Maffettone, Lars Banko, Peng Cui, Yury Lysogorskiy, Marc A. Little, Daniel Olds, Alfred Ludwig, Andrew I. Cooper: Crystallography companion agent for high-throughput materials discovery, in: Nature Computational Science, 2021, DOI: 10.1038/s43588-021-00059-2, https://dx.doi.org/10.1038/s43588-021-00059-2
Weitere Informationen:
https://news.rub.de/presseinformationen/wissenschaft/2021-04-20-materialforschun… – Fotos zum Download
Media Contact
Alle Nachrichten aus der Kategorie: Materialwissenschaften
Die Materialwissenschaft bezeichnet eine Wissenschaft, die sich mit der Erforschung – d. h. der Entwicklung, der Herstellung und Verarbeitung – von Materialien und Werkstoffen beschäftigt. Biologische oder medizinische Facetten gewinnen in der modernen Ausrichtung zunehmend an Gewicht.
Der innovations report bietet Ihnen hierzu interessante Artikel über die Materialentwicklung und deren Anwendungen, sowie über die Struktur und Eigenschaften neuer Werkstoffe.
Neueste Beiträge
Merkmale des Untergrunds unter dem Thwaites-Gletscher enthüllt
Ein Forschungsteam hat felsige Berge und glattes Terrain unter dem Thwaites-Gletscher in der Westantarktis entdeckt – dem breiteste Gletscher der Erde, der halb so groß wie Deutschland und über 1000…
Wasserabweisende Fasern ohne PFAS
Endlich umweltfreundlich… Regenjacken, Badehosen oder Polsterstoffe: Textilien mit wasserabweisenden Eigenschaften benötigen eine chemische Imprägnierung. Fluor-haltige PFAS-Chemikalien sind zwar wirkungsvoll, schaden aber der Gesundheit und reichern sich in der Umwelt an….
Das massereichste stellare schwarze Loch unserer Galaxie entdeckt
Astronominnen und Astronomen haben das massereichste stellare schwarze Loch identifiziert, das bisher in der Milchstraßengalaxie entdeckt wurde. Entdeckt wurde das schwarze Loch in den Daten der Gaia-Mission der Europäischen Weltraumorganisation,…
