MIT entwickelt KI-Modell zur Analyse von 3D-Atomanordnungen für neue Batteriematerialien
21. Oktober 2026 · 2 Min. Lesezeit
Forscher am MIT haben ein multimodales Modell für künstliche Intelligenz entwickelt, das in der Lage ist, die dreidimensionale Anordnung von Atomen zusammen mit natürlicher Sprache zu verstehen.
Das Modell wurde so konzipiert, dass es Atomanordnungen und Bindungsmuster mit sprachlichen Informationen verknüpft. Dadurch kann die KI Rückschlüsse auf die Struktur, die physikalischen Eigenschaften, die Verarbeitungsbedingungen und die potenziellen Anwendungsmöglichkeiten von Materialien ziehen. Dies unterscheidet das System von herkömmlichen großen Sprachmodellen, die primär Texte aus Fachliteratur und Büchern lernen und daher Schwierigkeiten haben, die tatsächlichen Strukturen kristalliner Materialien zu erfassen.
In Experimenten zur Identifizierung vielversprechender kristalliner Materialien zeigte das neue Modell eine überlegene Leistung gegenüber Modellen, die nur auf Texten basierten. Besonders deutlich wurde dies bei der Suche nach geeigneten Materialien für Elektrolyte in Festkörper-Lithium-Ionen-Batterien. Das Modell schlug Materialien als Top-Kandidaten vor, deren Potenzial bereits durch unabhängige Forschung bestätigt worden war.
Die Entwicklung adressiert das Problem, dass Kristallstrukturen normalerweise in speziellen Datenformaten mit Atomkoordinaten und Bindungsinformationen gespeichert werden, anstatt in gewöhnlichen Sätzen. Um diese Lücke zu schließen, entwickelten die Forscher ein Vision-Sprach-Modell, das Kristallstrukturen in reichhaltige sprachliche Beschreibungen umwandelt. Diese Beschreibungen basieren auf Informationen aus experimentellen Arbeiten und Datenbanken für First-Principles-Berechnungen und umfassen die chemische Zusammensetzung, die Atomstruktur, wichtige Eigenschaften sowie Faktoren für den Herstellungsprozess.
Zur Verknüpfung der geometrischen Informationen mit den Sätzen wurde eine Technik des kontrastiven Lernens eingesetzt. Dabei lernt das Modell, eng verwandte Strukturen und Beschreibungen in einem gemeinsamen Repräsentationsraum nah beieinander zu platzieren, während nicht verwandte Beispiele voneinander getrennt werden. Die Forscher stellten fest, dass nur das Modell, das mit diesen generierten Beschreibungen trainiert wurde, die Fähigkeit entwickelte, geometrische Strukturen mit sprachlichen Erklärungen zu verbinden.
Das Projekt wurde durch Programme der Defense Threat Reduction Agency, der Defense Advanced Research Projects Agency und der National Research Foundation of Korea unterstützt. Die Ergebnisse wurden am 26. August in der Fachzeitschrift Nature Communications veröffentlicht. Die Forscher hoffen, dass dieser Ansatz die Effizienz in der Materialforschung ähnlich steigern könnte wie AlphaFold die Biowissenschaften beeinflusst hat.