Für die Simulation von Materialeigenschaften nutzen Forschende in Datenbanken hinterlegte Kristallstrukturen von Materialien. Häufig fehlen darin jedoch die Positionen der Wasserstoffatome. Forschende am Paul Scherrer Institut PSI haben nun eine künstliche Intelligenz darauf trainiert, diese Positionen sehr schnell und effizient zu rekonstruieren. Mit ihrer neuen Methode XtalPaint können in Zukunft Materialien für unterschiedliche Anwendungen treffgenauer simuliert werden: von der effizienten Wasserstoffspeicherung bis zu neuen Batterien.
Künstliche Intelligenz wird häufig eingesetzt, um Bilder zu generieren. In der Forschung kommen für wissenschaftliche Anwendungen spezialisierte KI-Modelle zum Einsatz – etwa um die Lage der Atome in Materialien vorherzusagen. So kann das Modell MatterGen, entwickelt von Microsoft, aus wenigen Angaben – welche Atome enthalten sein sollen und in welchem Mengenverhältnis – komplexe Kristallstrukturen generieren, die Forschende dann für Computersimulationen neuer Materialien nutzen.
Ein wissenschaftliches Team um Giovanni Pizzi vom Zentrum für Computergestützte Wissenschaften, Theorie und Daten am Paul Scherrer Institut PSI hat nun gemeinsam mit Forschenden der Universitäten Parma und Modena in Italien einen Weg gefunden, mithilfe von KI ein konkretes Problem in den Materialwissenschaften zu lösen: das der fehlenden Atompositionen in ansonsten bekannten Strukturen. Wie sie nun im Fachjournal npj Computational Materials berichten, haben die Materialforschenden dazu einen Ansatz benutzt, der normalerweise in der Bildbearbeitung oder im maschinellen Sehen, also dem Erkennen und Interpretieren visueller Informationen mittels KI, zur Anwendung kommt.
So lassen sich experimentell bekannte, aber bisher theoretisch unzugängliche Materialien erstmals oder deutlich besser simulieren. Die Forschenden leisten damit einen Beitrag zur Erforschung neuer Materialien mit besonderen Eigenschaften, etwa für die Wasserstoff-Speicherung oder potenziell auch für die Entwicklung neuer Supraleiter.
«Unsichtbare» Wasserstoffatome
«Für unsere Simulationen von Materialeigenschaften sind wir auf die Informationen in Datenbanken angewiesen, die uns sagen, wo sich welche Atome in einer Kristallstruktur befinden», sagt Timo Reents, Doktorand in der Gruppe von Giovanni Pizzi. Allerdings stellt das Element Wasserstoff dabei eine Herausforderung dar. Es ist oft Teil der Kristallgitter, lässt sich jedoch mit traditionellen Verfahren, in denen die Anordnung der Atome durch die Streuung von Röntgenstrahlen gemessen wird, experimentell nur schwer nachweisen. Dementsprechend sind die Positionen von Wasserstoffatomen in den Darstellungen der Kristalle häufig ungenau oder sie fehlen in den Visualisierungen ganz.
Eine genaue Kenntnis über die Atompositionen ist jedoch unerlässlich für Computersimulationen, mit denen Forschende bestimmte Materialeigenschaften wie elektrische oder thermische Leitfähigkeit voraussagen. «Wenn die Informationen zu den Wasserstoffatomen fehlen, ist das ein Problem», so Giovanni Pizzi. «Oft können wir mehrere Tausend potenziell interessante Materialien genau aus diesem Grund nicht für unsere Simulationen verwenden.» Hier soll eine KI helfen.
Wenn beim Hundefoto eine Pfote fehlt
Beim maschinellen Sehen kommen sogenannte Diffusionsmodelle zum Einsatz. Werden sie genutzt, um fehlende Bildinformationen zu ergänzen, spricht man von «Inpainting». Beispielsweise kann auf dem Foto eines Hundes eine Pfote ergänzt werden, die im Bild verdeckt war.
Frühere Ansätze des maschinellen Sehens haben dabei oft zunächst das gesamte Bild des Hundes «verrauscht», also absichtlich mit zufälligen Bildinformationen überlagert, um dann in einem zweiten Schritt das Foto mit allen vier Pfoten zu rekonstruieren. Inzwischen ist es hingegen Standard, die Stärke des Rauschens je nach Bildbereich zu variieren: Nur die unbekannten Regionen, in denen die Pfote hinzugefügt werden soll, werden stark verrauscht.
Was im Bereich des maschinellen Sehens bereits etabliert ist, gab es bei der Rekonstruktion von Atompositionen bislang nicht. Darum hat das Team um Giovanni Pizzi nun basierend auf MatterGen von Microsoft ein angepasstes Open-Source-Modell namens XtalPaint entwickelt. «Damit vereinen wir die Vorzüge des modernen maschinellen Sehens und die Rekonstruktion von Kristallen: Es werden nur die unbekannten Positionen im Kristall verrauscht – die bekannten Positionen bleiben während des Prozesses weitgehend unverändert», erklärt Timo Reents.
Genau wie moderne Inpainting-Ansätze im maschinellen Sehen bietet dies eine höhere Effizienz: «Bei der schrittweisen Rekonstruktion kann sich XtalPaint von Anfang an am vorhandenen Kristall orientieren», so Reents. «Das erhöht die Erfolgsquote und spart zudem Rechenleistung.»
Auch auf Lithium und Natrium anwendbar
Um ihre Methode zu überprüfen, entfernten die Forschenden bei bereits bekannten Kristallstrukturen die Positionen der Wasserstoffatome und nutzten dann XtalPaint zur Rekonstruktion. So fanden sie in 87 Prozent der Fälle die bereits bekannten Positionen – und in weiteren zehn Prozent sogar energetisch noch stabilere Konfigurationen. «Insgesamt bedeutet das für XtalPaint eine Erfolgsquote von 97 Prozent», freut sich Reents.
«Unsere Methode können wir nun beispielsweise benutzen, um fehlende Wasserstoffpositionen in Datenbanken zu ergänzen», sagt Pizzi. Auch Fehler in Datenbanken, die durch die Übertragung aus wissenschaftlichen Originalveröffentlichungen entstehen können, haben er und seine Mitarbeitenden schon aufgespürt. Ausserdem können sie die Methode nicht nur auf Wasserstoffatome anwenden, sondern beispielsweise auch auf Lithium oder Natrium – beides Elemente, die für die Entwicklung neuer Batterien wichtig sind.