Institut für theoretische Informatik (ITI) - AiMat group

Forschung

Maschinelles Lernen ermöglicht vereinfachte Messung von Materialeigenschaften für autonome Labore der Zukunft.

Die Automatisierung von naturwissenschaftlichen Experimenten durch Methoden der künstlichen Intelligenz hat das Potential, die Entwicklung und Optimierung von neuartigen Materialien mit maßgeschneiderten Eigenschaften entscheidend zu beschleunigen [1].

In einem kürzlich in ACS Nano erschienenen Artikel [2] zeigen die Autor*innen, dass sie mit Hilfe von neuronalen Netzen aus vergleichsweise einfach zu messenden optischen Eigenschaften von Polymergemischen Rückschlüsse auf deren Leitfähigkeit ziehen können. Die Leitfähigkeit der Polymere ist zwar interessanter, aber auch sehr viel schwieriger zu messen als optische Eigenschaften. Dieses Prinzip kann auch auf andere Materialien und Eigenschaften übertragen werden. Der Einsatz von Methoden der künstlichen Intelligenz hat daher das Potential, die zahlreichen zur Entwicklung von Materialien zur Verfügung stehenden Parameter sehr viel schneller und kostengünstiger zu optimieren, indem aufwändigere Messmethoden zur Bestimmung von Materialeigenschaften durch schnellere, beispielsweise optische Experimente ersetzt werden können, die dann mit Hilfe von maschinellem Lernen die eigentliche Zieleigenschaft voraussagen.

[1] Mission Innovation: Materials Acceleration Platform, Report of the Clean Energy Materials Innovation Challenge Expert Workshop, January 2018
[2] Loïc M Roch, Semion K Saikin, Florian Häse, Pascal Friederich, Randall H Goldsmith, Salvador León, Alán Aspuru-Guzik, From Absorption Spectra to Charge Transfer in Nanoaggregates of Oligomers with Machine Learning, ACS Nano 2020

 

 

Design neuer Katalysatoren durch Künstliche Intelligenz.

KatChemical Science titlepagealysatoren kommen nicht nur zur Reinigung von Abgasen zum Einsatz, sondern sind auch bei der Herstellung von Molekülen und Materialien unentbehrlich. Das Design immer neuer Moleküle und Materialien wäre ohne die gleichzeitige Entwicklung neuerer und besserer Katalysatoren nicht denkbar. Zusätzlich dazu spielen neuartige Katalysatoren auch eine entscheidende Rolle bei der Rückgewinnung von CO2 aus der Atmosphäre und damit bei der Bekämpfung des Klimawandels. Eine kürzlich in Chemical Science erschienenen Studie [1] demonstriert, wie maschinelles Lernen mit hochgenauen aber teuren Simulationsmethoden gekoppelt werden kann, um die Effizienz neuer Katalysatoren computergestützt vorauszusagen und damit deren Design entscheidend zu beschleunigen. Pascal Friederich, neuberufener Juniorprofessor am KIT, und seine Koautor*innen zeigen im Artikel, dass maschinelles Lernen keine Blackbox ist, sondern interpretiert werden kann um für Wissenschaftler*innen verständliche Design-Regeln für neue Katalysatoren herzuleiten. Die in der Studie vorgeschlagene Methode zum virtuellen Design neuer Iridium-Katalysatoren lässt sich beliebig auf weitere Klassen von Reaktionen der homogenen (und prinzipiell auch heterogenen) Katalyse übertragen.

[1] Pascal Friederich, Gabriel dos Passos Gomes, Ricardo De Bin, Alán Aspuru-Guzik, David Balcells, Machine learning dihydrogen activation in the chemical space surrounding Vaska's complex, Chemical Science, 2020, 11, 4584