Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAINeue KI-Verfahren beschleunigen die Materialforschung
Fraunhofer SCAI entwickelt zwei effiziente KI-Verfahren: Flexibles Training von Simulationsmodellen und schnelle Kristallstrukturen mit weniger Rechenleistung.
Künstliche Intelligenz (KI) kann die Suche nach neuen Materialien erheblich beschleunigen. Doch viele Modelle benötigen große Rechenleistungen oder lassen sich nach dem Training kaum noch anpassen. Im Geschäftsfeld »Virtual Material Design« des Fraunhofer-Instituts für Algorithmen und Wissenschaftliches Rechnen SCAI sind nun zwei Verfahren entstanden, die Hürden der KI-gestützten Materialforschung überwinden sollen: »Flexible Cutoff Learning« macht Modelle für atomare Simulationen nachträglich anpassbar. »Materium« nutzt Techniken aus Sprachmodellen, um neue Kristallstrukturen schneller zu erzeugen.
Bessere Steuerung von Simulationen
KI-Modelle können berechnen, wie Atome aufeinander wirken, und daraus Materialeigenschaften vorhersagen. Für solche Berechnungen müssen sie entscheiden, welche Atome miteinander interagieren. Dafür verwenden sie sogenannte Cutoff-Radien: Das Modell berücksichtigt nur Atome innerhalb eines festgelegten Abstands. Ein größerer Radius kann die Genauigkeit erhöhen, steigert jedoch auch den Rechenaufwand.
Bei herkömmlichen Modellen wird der Cutoff-Radius zu Beginn des Trainings festgelegt und lässt sich anschließend nicht mehr ändern. Das Flexible Cutoff Learning wählt einen anderen Ansatz: Für jedes Atom wird der Cutoff-Radius zufällig gewählt. Dadurch lernt das Modell, mit verschiedenen Reichweiten umzugehen. Das trainierte Modell lässt sich anschließend ohne erneutes Training an verschiedene Anwendungen anpassen. In Tests mit molekularen Kristallen sanken die Rechenkosten um mehr als 60 Prozent, bei nur geringfügig höheren Fehlern.
Kristallstrukturen wie Sätze erzeugen
Wer neue Materialien mit bestimmten Eigenschaften sucht, steht vor einer nahezu unüberschaubaren Zahl möglicher Atomkombinationen und Kristallstrukturen. Computer sollen die Suche nach geeigneten Kandidaten erleichtern.
»Materium« übersetzt Kristallstrukturen in eine Folge von Token, ähnlich wie ein Sprachmodell einen Satz verarbeitet. Die Tokens codieren Informationen über Atome, Oxidationszustände, räumliche Anordnungen und Gitterparameter. So lassen sich Transformer-Architekturen, die auch modernen Sprachmodellen zugrunde liegen, in der Materialforschung einsetzen.
Im Gegensatz zu diffusionsbasierten Verfahren, die viele schrittweise Berechnungen benötigen, erzeugt »Materium« Strukturen direkt, statt sie in vielen aufeinanderfolgenden Rechenschritten zu entwickeln. Dadurch benötigt das Verfahren weniger Rechenaufwand: Ein Modell mit 43 Millionen Parametern wurde in rund vier Stunden auf einer einzelnen Nvidia-A100-GPU trainiert; die Erzeugung einer Struktur dauert weniger als eine Sekunde. Zum Vergleich: Das diffusionsbasierte Modell »MatterGen« benötigte mehrere Trainingstage.
Die aktuellen Veröffentlichungen zeigen: Bei Eigenschaften wie Dichte, Raumgruppe, Bandlücke und magnetischer Dichte, deren Werte stark schwanken, lassen sich exakte Zielvorgaben derzeit noch nicht zuverlässig erreichen.
Praktische Vorteile für die Forschung
Beide Verfahren zielen darauf ab, den Rechenaufwand der KI-gestützten Materialforschung zu verringern. Flexible Cutoff Learning macht bereits trainierte Simulationsmodelle anpassbarer. Materium beschleunigt die computergestützte Erzeugung neuer Kristallstrukturen. Akademische und industrielle Forschungsteams könnten dadurch mit vorhandener Hardware mehr Varianten untersuchen und Materialkandidaten schneller für weitere Simulationen und Materialtests auswählen.
Zu den Veröffentlichungen:
Flexible Cutoff Learning: https://doi.org/10.1088/2632-2153/ae9239