Britische Forschende haben ein leistungsstarkes neues KI-Werkzeug entwickelt, das die Entdeckung und das Design neuer Materialien grundlegend verändern könnte.
Das Team der University of Liverpool und der University of Southampton hat CrystalGPT vorgestellt, offiziell bezeichnet als Molecular Crystal Representation from Transformers (MCRT). Dieses auf Transformern basierende Modell wurde mit 706.126 experimentellen Kristallstrukturen aus der Cambridge Structural Database vortrainiert, wodurch es die komplexe Sprache molekularer Kristalle eigenständig erlernen konnte.
Das Besondere an CrystalGPT ist sein Ansatz der doppelten Repräsentation. Das Modell vereint graphbasierte Analysen atomarer Bindungen mit topologischen Bildgebungsfähigkeiten und ist so in der Lage, sowohl detaillierte molekulare Strukturen als auch größere Muster gleichzeitig zu verarbeiten. Dieser multimodale Ansatz verschafft der KI ein umfassendes Verständnis der Kristalleigenschaften auf Mikro- und Makroebene.
"MCRT sollte ein Foundation Model sein, das sich leicht auf das jeweilige Problem anpassen lässt – selbst mit nur wenigen verfügbaren Daten", erklärt Teammitglied Xenophon Evangelopoulos von der University of Liverpool. Diese Fähigkeit, auch mit begrenzten Daten effektiv zu arbeiten, ist besonders in der Chemie wertvoll, da Laborversuche und Berechnungen oft teuer und zeitaufwendig sind.
Das Modell nutzt vier verschiedene Pre-Training-Aufgaben, um sowohl lokale als auch globale Repräsentationen aus Kristallen zu extrahieren. Wird CrystalGPT für spezifische Anwendungen feinjustiert, kann es zentrale Materialeigenschaften wie Dichte, Porosität und Symmetrie mit beeindruckender Genauigkeit vorhersagen – und das mit nur einem Bruchteil der sonst benötigten Datenmenge.
Die Auswirkungen auf die Materialwissenschaft sind erheblich. Herkömmliche rechnergestützte Methoden zur Vorhersage von Kristallstrukturen und -eigenschaften sind bekanntermaßen ressourcenintensiv. CrystalGPT umgeht diese Einschränkungen und könnte so Entdeckungen in Pharmazie, organischer Elektronik, Batterieentwicklung und porösen Materialien zur Gasspeicherung deutlich beschleunigen. Wie Professor Andy Cooper aus Liverpool anmerkt, hat das Modell "die markantesten Muster innerhalb dieser Kristalle erlernt" und "wie diese Muster mit praktischen Eigenschaften zusammenhängen" – und ist damit ein mächtiges Werkzeug für Innovationen in der Materialforschung.