PhysMat AI: Physik als Grundbaustein für Materialvorhersagen

Physik als Grundbaustein: PhysMat AI vorgestellt

Forscher der Tohoku University unter Leitung von Hao Li haben in einem Perspective-Artikel in Advanced Functional Materials das Framework PhysMat AI vorgestellt. Es integriert physikalisches Wissen direkt in KI-Modelle für Materialvorhersagen, indem Thermodynamik, Kinetik, Elektronenstruktur, Transportmechanismen und Betriebsumgebungen als feste Komponenten in maschinelle Lernpipelines eingebettet werden. Konventionelle datengetriebene Methoden leiden oft unter begrenzter Interpretierbarkeit, schlechter Extrapolation über den Trainingsdatenbereich hinaus und Inkonsistenz mit physikalischen Gesetzen, weil sie primär statistische Korrelationen lernen. PhysMat AI adressiert diese Schwächen, indem es physikalische Gesetze nicht als optionale nachträgliche Prüfungen behandelt, sondern als grundlegende Bausteine, die zulässige Suchräume definieren und Rechenergebnisse validieren. Dadurch werden Vorhersagen interpretierbar, weil sie auf bekannten physikalischen Prinzipien beruhen, und testbar, weil sie gegen etablierte wissenschaftliche Grundsätze geprüft werden können. Li betont: „Materials discovery cannot rely on correlations in data alone.“

Fünf Rollen und Anwendungsfelder

Das Framework organisiert physikalisches Wissen in fünf komplementäre Rollen: prior knowledge, descriptors, constraints, verifiers und infrastructure. Prior knowledge liefert fundamentale physikalische Gesetze als Ausgangspunkt für das Modellverständnis; descriptors sorgen für eine physikalisch sinnvolle Repräsentation der Materialeigenschaften; constraints grenzen den Suchraum auf physikalisch plausible Kandidaten ein; verifiers prüfen die Konsistenz der Vorhersagen mit physikalischen Prinzipien; und infrastructure stellt die notwendige Daten- und Rechenbasis bereit. Anhand repräsentativer Beispiele aus Katalyse, Festkörperelektrolyten in Festkörperbatterien und Wasserstoffspeichermaterialien wird illustriert, wie diese Rollen konkret zur physikbasierten Vorhersage beitragen: In der Katalyse liefert prior knowledge thermodynamische und kinetische Gesetze, descriptors kodieren Adsorptionsenergien und Aktivierungsbarrieren, constraints begrenzen auf thermodynamisch stabile Strukturen, verifiers prüfen gegen theoretische Referenzdaten, und infrastructure stellt Datenbanken und Rechenressourcen bereit. Ähnlich leiten in Festkörperelektrolyten die Rollen die Suche nach Materialien mit hoher ionischer Leitfähigkeit und elektrochemischer Stabilität, während sie bei Wasserstoffspeichermaterialien die thermodynamischen Bedingungen für Hydrierung und Dehydrierung berücksichtigen. Durch dieses Zusammenspiel wird der Übergang von korrelationsbasierter Vorhersage zu physikbasiertem Schließen konkret vollzogen: Das Modell nutzt physikalische Gesetze, um plausible Kandidaten zu generieren und zu validieren, statt nur Muster in Daten zu erkennen.