Nutzung der Materialentdeckung durch dateneffiziente künstliche Intelligenz

• Antragsteller: Akhil Sugathan Nair, Ph.D.
• Fachliche Zuordnung: Theoretische Chemie: Moleküle, Materialien, Oberflächen ; Computergestütztes Werkstoffdesign und Simulation von Werkstoffverhalten von atomistischer bis mikroskopischer Skala
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 540316537

Die Entdeckung von Materialien mit verbesserter Leistung ist ein Eckpfeiler des Fortschritts in verschiedenen Bereichen. Die Zahl der möglichen Materialien ist jedoch praktisch unendlich und der Materialraum kann nicht durch direkte Hochdurchsatz-Screening-Ansätze abgedeckt werden. Die Anwendung von Methoden der künstlichen Intelligenz (KI) ist in dieser Richtung vielversprechend, da sie helfen, Korrelationen und Muster in Materialdaten zu erkennen, was die Vorhersage von Materialien mit gewünschten Eigenschaften ermöglicht. Der Einsatz von KI-Methoden in der Materialforschung stößt jedoch an Grenzen, da es an hochwertigen Materialdaten mangelt und die Beschaffung mit hohen Kosten verbunden ist. Darüber hinaus stellen die begrenzten Extrapolationsfähigkeiten der üblicherweise verwendeten KI-Methoden ein Hindernis für die Materialentdeckung dar. Das vorgeschlagene Projekt zielt darauf ab, diese Einschränkungen zu überwinden, indem Daten aus verschiedenen Quellen mit sequentiellem Lernen (SL) integriert werden, um den Materialentdeckungsprozess zu optimieren. Konkret werden wir eine hierarchische symbolische Regressionsmethode (HSL) entwickeln, die die Herausforderungen, die sich aus den Datenbeschränkungen ergeben, angeht. HSL zerlegt die Aufgabe, Materialien mit den gewünschten Eigenschaften zu finden, in die Teilaufgaben der Identifizierung der wichtigsten Merkmale und der Genauigkeit (oder Treue) der Daten, die für eine kosteneffektive Materialentdeckungskampagne benötigt werden. Auf diese Weise gewährleistet HSL die effektive Nutzung von Daten mit unterschiedlicher Genauigkeit, indem die größere Verfügbarkeit von weniger genauen, billigeren Daten genutzt wird, um zu entscheiden, welche genaueren, teureren Experimente oder Berechnungen durchgeführt werden sollten. Durch die Anwendung des auf symbolischer Regression (SR) basierenden Sure-Independence Screening and Sparsifying Operator (SISSO) Ansatzes wird die geringe Menge an genauen Daten ausgenutzt. Der Schwerpunkt des Projekts liegt auf der Entwicklung von Techniken zur Ableitung zuverlässiger Unsicherheitsschätzungen unter Verwendung symbolischer Regressionsmethoden. Das Potenzial des entwickelten KI-Ansatzes wird bei der rechnerischen Entdeckung von stabilen Oxidkatalysatoren für die Wasserspaltung demonstriert. Zu diesem Zweck werden die halblokale DFT-GGA und die nichtlokale DFT-HSE als Low- bzw. High-Fidelity-Methoden betrachtet, da letztere die Genauigkeit der thermodynamischen und wässrigen Stabilitätsbeschreibung von Oxiden verbessert. Wir werden eine neuere Implementierung des DFT-HSE-Ansatzes im FHI-Aims-Paket für elektronische Strukturen mit verbesserter Leistung verwenden. Die Kombination von SR-basierter SL mit einer effizienten HSE-Implementierung wird einen bedeutenden Schritt in Richtung einer groß angelegten KI-gesteuerten Entdeckung von stabilen Wasserspaltungskatalysatoren auf der Grundlage von nicht-lokaler DFT ermöglichen.

• DFG-Verfahren: WBP Stelle