17.06.2021 - Karlsruher Institut für Technologie (KIT)

Maschinelles Lernen beschleunigt Materialsimulationen

Schnellere und genauere Methoden kommen verschiedenen Anwendungen von Energiespeichern bis zu Medikamenten zugute

Erforschung, Entwicklung und Herstellung neuer Materialien hängen entscheidend von schnellen und zugleich genauen Simulationsmethoden ab. Maschinelles Lernen, bei dem Künstliche Intelligenz (KI) selbstständig neues Wissen erwirbt und anwendet, wird es künftig ermöglichen, komplexe Materialsysteme rein virtuell zu entwickeln. Wie das funktioniert und welche Anwendungen davon profitieren, erklärt ein Forscher des Karlsruher Instituts für Technologie (KIT) gemeinsam mit Kollegen aus Göttingen und Toronto in einem Artikel in der Zeitschrift Nature Materials.

Digitalisierung und Virtualisierung gewinnen in den verschiedensten wissenschaftlichen Disziplinen immer mehr an Bedeutung. Dies gilt auch für die Materialwissenschaft: Erforschung, Entwicklung und Herstellung neuer Materialien hängen entscheidend von schnellen und zugleich genauen Simulationsmethoden ab. Davon wiederum profitieren ganz unterschiedliche Anwendungen – von effizienten Energiespeichern, wie sie bei der Nutzung erneuerbarer Energien unverzichtbar sind, bis hin zu neuen Medikamenten, deren Entwicklung das Verständnis komplexer biologischer Vorgänge voraussetzt. Methoden der KI und des Maschinellen Lernens können Materialsimulationen entscheidend voranbringen. „Gegenüber herkömmlichen Simulationsmethoden, die auf klassischen oder quantenmechanischen Rechnungen basieren, lässt sich mit speziell auf Materialsimulationen zugeschnittenen neuronalen Netzen ein deutlicher Geschwindigkeitsvorteil erreichen“, erklärt der Physiker und KI-Experte Professor Pascal Friederich, Leiter der Forschungsgruppe AiMat – Artificial Intelligence for Materials Sciences am Institut für Theoretische Informatik (ITI) des KIT. „Schnellere Simulationssysteme werden es Wissenschaftlerinnern und Wissenschaftlern in den kommenden Jahren ermöglichen, größere und komplexere Materialsysteme rein virtuell zu entwickeln, sie bis auf die atomare Ebene hinunter zu verstehen und zu optimieren.“

Hohe Präzision vom Atom bis zum Werkstoff

In einem in der Zeitschrift Nature Materials veröffentlichten Artikel gibt Pascal Friederich, der auch als assoziierter Gruppenleiter im Bereich Nanomaterials by Information-Guided Design am Institut für Nanotechnologie (INT) des KIT tätig ist, gemeinsam mit Forschern der Universität Göttingen und der University of Toronto einen Überblick über die grundlegenden Prinzipien des für Materialsimulationen eingesetzten Maschinellen Lernens, den Datenerfassungsprozess sowie aktive Lernverfahren. Algorithmen für Maschinelles Lernen ermöglichen Künstlicher Intelligenz, die eingegebenen Daten nicht nur zu verarbeiten, sondern in großen Datensätzen Muster und Korrelationen zu finden, daraus zu lernen und selbstständig Vorhersagen und Entscheidungen zu treffen. Bei Materialsimulationen kommt es darauf an, eine hohe Präzision über verschiedene Zeit- und Größenskalen – vom Atom bis zum Werkstoff – zu erreichen und zugleich die Rechenkosten zu begrenzen. In ihrem Artikel gehen die Wissenschaftler auch auf verschiedene aktuelle Anwendungen ein, wie kleine organische Moleküle und große Biomoleküle, strukturell ungeordnete feste, flüssige und gasförmige Materialien sowie komplexe kristalline Systeme – beispielsweise metallorganische Gerüstverbindungen, die sich zur Gasspeicherung oder zur Stofftrennung, für Sensoren oder für Katalysatoren einsetzen lassen.

Noch mehr Tempo mit hybriden Methoden

Um die Möglichkeiten der Materialsimulationen zukünftig noch zu erweitern, schlagen die Forschenden aus Karlsruhe, Göttingen und Toronto vor, hybride Methoden zu entwickeln: Diese verbinden Verfahren des Maschinellen Lernens (ML) und der Molekularen Mechanik (MM) miteinander. MM-Simulationen bedienen sich sogenannter Kraftfelder, um die auf jedes einzelne Teilchen wirkenden Kräfte zu berechnen und damit Bewegungsabläufe vorherzusagen. Die Ähnlichkeit der ML- und MM-Potenziale erlaubt eine enge Integration mit variablen Übergangsbereichen. Solche hybriden Methoden könnten künftig beispielsweise die Simulation großer Biomoleküle oder enzymatischer Reaktion noch einmal deutlich beschleunigen.

Fakten, Hintergründe, Dossiers

Mehr über KIT

  • News

    Katalysatorforschung: Molekulare Sonden erfordern hochgenaue Rechnungen

    Katalysatoren machen viele Technologien überhaupt erst möglich. Um heterogene Katalysatoren weiter zu verbessern, bedarf es der Analyse der komplexen Prozesse an ihrer Oberfläche, wo sich die aktiven Zentren befinden. Forschende des Karlsruher Instituts für Technologie (KIT) haben mit Kolle ... mehr

    Nanostrukturen helfen, die Haftung von Krankenhauskeimen zu reduzieren

    Wissenschaftler der Universität des Saarlandes und des Karlsruher Instituts für Technologie haben gemeinsam herausgefunden, wie Bakterien auf – in mikroskopischen Maßstäben – rauen Oberflächen haften. Das Team aus den Disziplinen Physik, Mikrobiologie und Mathematik entdeckte, dass aus der ... mehr

    Graphen aus Kohlendioxid

    Die chemische Verbindung Kohlendioxid kennt die Allgemeinheit als Treibhausgas in der Atmosphäre und wegen seines klimaerwärmenden Effekts. Allerdings kann Kohlendioxid auch ein nützlicher Ausgangsstoff für chemische Reaktionen sein. Über eine solche ungewöhnliche Einsatzmöglichkeit bericht ... mehr

  • q&more Artikel

    Analytische Quantifizierung von Gluten in Lebensmitteln

    Der Gesetzgebung zufolge dürfen Lebensmittel, die mit einem Glutenfrei-Symbol versehen sind, nicht mehr als 20 mg Gluten pro Kilogramm enthalten, was für Zöliakie-Betroffene aus gesundheitlichen Gründen lebenswichtig ist. mehr

    Bewertung der Lungentoxizität von Luftschadstoffen

    Die aktuellen Diskussionen zu Fahrverboten in europäischen Städten zeigen einerseits den hohen Stellenwert, den die Bevölkerung der Luftqualität zumisst, und andererseits den Mangel an Methoden, die von Luftschadstoffen ausgehende Beeinträchtigung der menschlichen Gesundheit direkt zu bewerten. mehr

    Biochemie in der Mikrowelle

    Die Entwicklung neuer Pharmazeutika beruht auf dem zunehmenden Verständnis intrazellulärer Vorgänge. Insbesondere durch die Erforschung von Ligand-Rezeptor-Wechselwirkungen können Wirkstoffe ­besser angepasst werden. Um Medikamente an ihren Wirkungsort ­zu bringen, werden sog. „Carrier“-Mol ... mehr

  • Autoren

    Prof. Dr. Katharina Scherf

    Katharina Scherf, Jahrgang 1985, studierte Lebensmittelchemie an der Technischen Universität München (TUM). Ihre Promotion und Habilitation erwarb sie ebenfalls an der TUM und war als leitende Wissenschaftlerin am Leibniz-Institut für Lebensmittel-Systembiologie an der TUM tätig. 2019 wurde ... mehr

    Majlinda Xhaferaj

    Majlinda Xhaferaj, Jahrgang 1992, schloss ihr Lebensmittelchemiestudium im Jahr 2018 am Karlsruher Institut für Technologie (KIT) ab. Seit 2019 ist sie Doktorandin in der Abteilung für Bioaktive und Funktionelle Lebensmittelinhaltsstoffe mit dem Schwerpunkt der Glutenanalytik zur Verbesseru ... mehr

    Dipl. Ing. Sonja Mülhopt

    Sonja Mülhopt erwarb 2000 ihr Diplom für Maschinenbau an der Berufsakademie (heute DHBW) Mannheim. Die begleitende Ausbildung durchlief sie am Forschungszentrum Karlsruhe, dem heutigen Karlsruher Institut für Technologie (KIT). 2014 erhielt sie den Master of Science für Chemieingenieurwesen ... mehr

q&more – die Networking-Plattform für exzellente Qualität in Labor und Prozess

q&more verfolgt den Anspruch, aktuelle Forschung und innovative Lösungen sichtbar zu machen und den Wissensaustausch zu unterstützen. Im Fokus des breiten Themenspektrums stehen höchste Qualitätsansprüche in einem hochinnovativen Branchenumfeld. Als moderne Wissensplattform bietet q&more den Akteuren im Markt einzigartige Networking-Möglichkeiten. International renommierte Autoren repräsentieren den aktuellen Wissenstand. Die Originalbeiträge werden attraktiv in einem anspruchsvollen Umfeld präsentiert und deutsch und englisch publiziert. Die Inhalte zeigen neue Konzepte und unkonventionelle Lösungsansätze auf.

> mehr zu q&more

q&more wird unterstützt von: