Jedes Material reagiert unterschiedlich auf Licht bestimmter Wellenlängen. Diese Reaktionen lassen sich als Spektrum darstellen - eine Art ,,Fingerabdruck" des Materials für Licht. Um herausfinden, welche Wellenlängen das Material absorbiert, also zum Beispiel welche Farben ein Stoff aufnimmt, welche es reflektiert oder transmittiert, und seine elektronischen und chemischen Eigenschaften zu verstehen, werden solche Spektren meist experimentell gemessen oder theoretisch berechnet. Traditionelle Berechnungsmethoden wie die Independent-Particle-Näherung (IPA), die einige komplexe Wechselwirkungen zwischen Elektronen nur grob erfasst, stoßen hier oft an ihre Grenzen und entsprechen nur selten der Realität. ,,Bessere Näherungen sind zwar näher an der Realität, werden aber wiederum schnell exorbitant teuer zu berechnen", erklärt Malte Grunert, wissenschaftlicher Mitarbeiter am Fachgebiet Theoretische Physik 1 und Erstautor der Studie.
Um dieses Problem zu lösen, kombiniert das neue Modell, das die Wissenschaftler der TU Ilmenau entwickelt haben, IPA-Daten mit hochpräzisen Daten aus der so genannten Random-Phase-Näherung (RPA) und setzt dabei auf ein so genanntes Graph-Attention-Netzwerk, das lernfähig und flexibel ist - und mit wenig teuren Daten auskommt, um nah an die Realität heranzukommen.
"Wichtiger Schritt in Richtung interpretierbarer künstlicher Intelligenz für die Materialwissenschaften"
Bereits in einer früheren Studie, veröffentlicht in Small, hatten die Ilmenauer Forscher gezeigt, dass ihr Graph-Attention-Netzwerk nicht nur Vorhersagen trifft, sondern auch interpretierbar ist. Auf Basis eines Datensatzes von 10.000 am High-Performance Computing (HPC) Cluster der TU Ilmenau quantenmechanisch berechneten optischen Spektren erzeugte das Modell eine für Menschen verständliche ÖLandkarte" des Materialraums. Mit Hilfe von UMAP, einer häufig in der Biologie oder Medizin verwendeten Technik zur Visualisierung hochdimensionaler Daten, konnte das Forscherteam so sichtbar machen, wie das Netzwerk ,,denkt" und Materialien intuitiv nach chemischen Prinzipien wie Oxiden oder Nitriden gruppiert.,,Wir konnten also einen wichtigen Schritt in Richtung interpretierbarer künstlicher Intelligenz für die Materialwissenschaften machen", sagt Max Großmann, Koautor der Studie.
Der Clou der nun veröffentlichen neuen Untersuchungen: Durch Transferlernen - einer Methode, bei der ein bereits trainiertes Modell schnell auf neue, ähnliche Aufgaben angepasst wird - werden diese umfangreichen, groben Daten genutzt, um das Modell vorzuschulen. Anschließend verfeinern hochpräzise RPA-Daten die Vorhersagen. Das Ergebnis ist ein Werkzeug, das Materialien effizient und zielgerichtet identifizieren kann - schneller und genauer als bisher.
"Mit den Studien konnten wir zeigen, wie moderne Algorithmen die sogenannte Jakobsleiter der optoelektronischen Eigenschaften erklimmen und die klassischen Herausforderungen der Materialwissenschaft lösen können", erklärt Erich Runge, Leiter des Fachgebiets Theoretische Physik 1 und Ko-Autor der Studie.
Sie liefern nicht nur präzise Vorhersagen, die nahe an experimentellen Ergebnissen liegen, sondern helfen auch, die Prinzipien hinter diesen Vorhersagen zu verstehen, und so wirklich nah an die Realität heranzukommen - und das mit überraschend wenig teure Daten. Dies ist ein wichtiger Schritt in Richtung datengetriebener Materialwissenschaft.
Auch sehen die Forschenden in der neuen Methode das Potenzial, die Optimierung und Entwicklung neuer nachhaltiger Materialien erheblich zu beschleunigen, so Prof. Runge, "beispielsweise um Sonnenlicht effizienter in Strom umzuwandeln, nachhaltige Ersatzstoffe für kritische Elemente zu identifizieren oder die Produktion kostengünstiger machen."
Originalpublikationen
M. Grunert, M. Großmann, E. Runge, Machine learning climbs the Jacob’s Ladder of optoelectronic properties, Nat. Commun. 16, 8142 (2025). https://doi.org/10.1038/s41467-025-63355-9
M. Grunert, M. Großmann, E. Runge, Discovery of Sustainable Energy Materials Via the Machine-Learned Material Space. Small, 2412519 (2025). https://doi.org/10.1002/smll.202412519
