de.wedoany.com-Bericht: Die Alibaba DAMO Academy hat gemeinsam mit der Gaoling School of Artificial Intelligence der Renmin-Universität China, der Universität der Chinesischen Akademie der Wissenschaften und anderen Einrichtungen den ersten KI-Agenten speziell für die Entdeckung supraleitender Materialien namens „ElementsClaw" (Element-Klaue) veröffentlicht. Der Agent benötigte nur 28 GPU-Stunden, um aus 2,4 Millionen bekannten stabilen Kristallen 68.000 mögliche Supraleiter vorherzusagen, von denen vier experimentell als bisher unbekannte, völlig neue Supraleiter bestätigt wurden.
Die Entdeckung supraleitender Materialien ist seit 1911 eine zentrale Herausforderung der Physik. Herkömmliche Methoden beruhen auf umfangreichem Trial-and-Error und werden als „Kochtopf-Forschung" bezeichnet. Die international führende Supraleiter-Datenbank SuperCon enthält derzeit nur etwas mehr als 2.000 supraleitende Materialien, von denen nur einige Dutzend eine kritische Temperatur von mehreren zehn Kelvin aufweisen. Der Forscher Jin Shifeng von der Universität der Chinesischen Akademie der Wissenschaften wies darauf hin, dass der physikalische Mechanismus von Hochtemperatur-Supraleitern mit einer Übergangstemperatur über 40 K unter Normaldruck noch nicht vollständig verstanden sei und bahnbrechende Supraleiter wie kupfer-, eisen- und nickelbasierte Materialien fast alle zufällig entdeckt wurden.
Obwohl KI im Bereich der Materialwissenschaften bereits Durchbrüche erzielt hat, wie DeepMinds GNoME, das 2,2 Millionen stabile Materialien vorhersagte, oder Microsofts MatterGen, das neue Strukturen auf Basis von Eigenschaften entwirft, fehlt ihnen allen die Fähigkeit, umfassende Informationen wie Literatur, Synthetisierbarkeit, Toxizität und Kosten zu bewerten. Rong Yu, Leiter der wissenschaftlichen KI-Abteilung der DAMO Academy, erklärte, dass einzelne Vorhersagemodelle den gesamten realen Forschungsprozess nicht ersetzen könnten.
ElementsClaw verwendet eine „allgemein-spezifisch integrierte" Agentenarchitektur, die ein geometrisches, tiefes Graph-Neuronales Netzwerk namens „Elements" mit einer Milliarde Parametern umfasst. In der Vortrainingsphase wurden 125 Millionen Molekül- und Kristallstrukturen verwendet. Der Agent erreichte oder näherte sich in 22 materialwissenschaftlichen Benchmarks dem State-of-the-Art (SOTA) und bestätigte erstmals das Scaling Law in einer Nicht-Großsprachmodell-Architektur. Der Agent verfügt über mehrere Funktionsmodule: Elements-T sagt die kritische Supraleitungstemperatur mit einem mittleren absoluten Fehler von nur 0,99 K voraus; Elements-C bestimmt, ob ein Material supraleitend ist, mit einem AUC von 0,996; Elements-E sagt Energie und Stabilität voraus; Elements-G generiert völlig neue Kristallstrukturen. Das Agentensystem ist für die Literatursuche, den Datenbankabgleich, die Analyse der Synthetisierbarkeit und die Gestaltung von Experimentplänen verantwortlich und besitzt die Fähigkeit, das Modell basierend auf neuen Daten automatisch feinabzustimmen.
Das Forschungsteam synthetisierte auf vier Wegen experimentell vier neue Supraleiter. Der „durchs Netz geschlüpfte" Hf₂₁Re₂₅ (kritische Temperatur 2,5 K) stammt aus einer vorhandenen, aber experimentell nicht verifizierten Datenbank; der „rehabilitierte" Zr₄VRe₇ (kritische Temperatur 3,5 K) korrigierte einen Strukturfehler in der Datenbank; der „aus dem Nichts erschaffene" HfZrRe₄ (kritische Temperatur 5,9 K) ist eine von KI von Grund auf neu generierte Struktur; der „durch Analogie gefundene" Zr₃ScRe₈ (kritische Temperatur 6,5 K) wurde durch Zusammenfassung von Strukturmotiven und Elementaustausch entdeckt. Die kritischen Temperaturen dieser Materialien sind nicht hoch, die höchste beträgt 6,5 K, aber die Trefferquote der KI-Empfehlungen stieg von etwa 3 % in der Natur auf 40 %.
Die DAMO Academy hat die Vorhersagedatenbank für 2,4 Millionen stabile Kristalle vollständig geöffnet, sodass Wissenschaftler weltweit sie kostenlos nutzen können. Huang Wenbing, außerordentlicher Professor an der Gaoling School of Artificial Intelligence der Renmin-Universität China, wies darauf hin, dass das Ziel von AI for Science die Mensch-Maschine-Symbiose sei, bei der KI für Datensichtung und repetitive Arbeiten zuständig sei, während Wissenschaftler Fragen stellten und Wissenssysteme aufbauten.
