Effiziente Suche nach verbesserten Energie Materialien mit Hilfe von künstlicher Intelligenz

Wissenschaftler des NOMAD Laboratory am Fritz-Haber-Institut der Max-
Planck-Gesellschaft haben kürzlich einen auf künstlicher Intelligenz (KI)
basierenden Ansatz vorgeschlagen, mit der sich die Suche nach neuartigen
Materialien mit verbesserten Eigenschaften dramatisch beschleunigen lässt.
Die Vorteile dieser Strategie wurden durch die Identifikation von mehr als
50 stark wärmeisolierenden Materialien demonstriert. Solche Materialien
können dazu beitragen, die anhaltende Energiekrise zu lindern. Diese sind
nämlich die Grundlage für die Entwicklung effizienter thermoelektrischer
Elemente, die ungenutzte Abwärme in nutzbaren elektrischen Strom
umwandeln.

Da heutzutage mehr als 40% der weltweit genutzten Energie als Abwärme
verpufft, ist die Entdeckung neuer und verbesserter thermoelektrischer
Materialien von entscheidender Bedeutung, um wachsenden Herausforderungen
des Klimawandels entgegenzuwirken. Eine Möglichkeit, die thermoelektrische
Effizienz eines Materials zu erhöhen, besteht darin, seine
Wärmeleitfähigkeit, κ, zu reduzieren und somit das für den
thermoelektrischen Effekt benötigte Temperaturgefälle  aufrechtzuerhalten.
Da aber sowohl die experimentelle als auch die rechnerische Bestimmung von
κ kosten- und arbeitsintensiv ist, beschränkten sich bisherige
Untersuchungen von κ auf nur eine verschwindend kleine Auswahl von
Materialien. Mit dem von den NOMAD Forschern entwickelten KI-Ansatz lassen
sich Materialien hierarchisch aussortieren, so dass die Kosten reduziert
bzw. bei gleichbleibenden Aufwand viel mehr Materialien untersucht werden
können.

Die kürzlich in npj Computational Materials veröffentlichte Arbeit schlägt
eine neue Methode vor, wie sich mit Hilfe von künstlicher Intelligenz (KI)
die Suche nach neuen Materialien automatisieren und gezielt steuern lassen
kann. Dabei werden Materialien nicht, wie sonst üblich, anhand von
physikalischer oder chemischer Intuition du bekannten oder vermuteten
Trends ausgewählt oder aussortiert. Stattdessen nutzt das neue Verfahren
fortschrittliche KI-Methoden, um aus vorhandenen Daten die Bedingungen zu
lernen, die zum gewünschten Ergebnis führen. Diese Arbeit hat daher das
Potenzial, die Suche nach neuen Materialien mit Hilfe von quantitativen
Vorhersagen zu beschleunigen.

Der erste Schritt bei diesem neuartigen Ansatz besteht darin,
fortgeschrittene statistische KI-Methoden zu verwenden, um die gewünschte
Eigenschaft – in diesem Fall κ – zu modellieren. Zu diesem Zweck wird die
"Sure-Independence Screening and Sparsifying Operator" (SISSO) Methode
verwendet, die die grundlegenden Abhängigkeiten zwischen verschiedenen
Materialeigenschaften aus einer Vielzahl möglicher Zusammenhänge enthüllt.
Dabei ist dieser Ansatz im Vergleich zu anderen "Black-Box" KI-Modellen
ähnlich genau, liefert aber zusätzlich noch analytische Beziehungen
zwischen verschiedenen Materialeigenschaften. Dies ermöglicht es dann
auch, mit modernen mathematischen Metriken herauszufinden, welche
Materialeigenschaften unter welchen Umständen für welche Zieleigenschaft
am einflussreichsten sind. Im Fall von κ sind dies das molare Volumen, Vm;
die Debye-Temperatur im Hochtemperaturgrenzwert, θD,∞; und die
Anharmonizitätsmetrik, σA, wie in Abbildung 1 dargestellt.

Darüber hinaus ermöglicht die beschriebene statistische Analyse, Regeln
für die einzelnen Merkmale zu bestimmen, die es erlauben, a priori
abzuschätzen, ob ein Material überhaupt ein Wärmeisolator sein kann. Auf
diese Weise lassen sich dann hierarchische Entscheidungspyramiden
erstellen, mit denen sich die Suche nach neuen Wärmeisolatoren effizient
gestalten lässt, wie in Abbildung 2 gezeigt wird. Dabei werden in jedem
Schritt die benötigten Materialeigenschaften mit Hilfe von modernsten und
genauesten Methoden der Elektronenstrukturtheorie berechnet. Basierend auf
den im jeweiligen Schritt berechneten Eigenschaften, werden dann auch
Materialien ausgesiebt, bei denen es sehr unwahrscheinlich ist, dass sie
gute Isolatoren sind. Damit kann die Anzahl der Berechnungen, die benötigt
werden, um Wärmeisolatoren zu finden, um mehr als zwei Größenordnungen
reduziert werden. In diesem Fall konnten zum Beispiel 96 Wärmeisolatoren
(κ < 10 Wm-1K-1) aus einem anfänglichen Satz von 732 Materialien gefunden
werden. Für 4 dieser Vorhersagen wurde anschließend eine hochakkurate
Methode angewendet, um κ zu berechnen und die Zuverlässigkeit dieses
Ansatzes zu demonstrieren.

Der Nutzen dieses vom NOMAD-Team vorgeschlagenen Formalismus ist nicht auf
die aktive Suche nach neuen thermoelektrischen Materialien beschränkt. Er
kann ebenso auch auf andere dringliche Probleme der Materialwissenschaft
angewendet werden.