Interpretierbare KI in der Materialforschung liefert Aufschluss darüber, wie Modelle Vorhersagen treffen

In den letzten Jahren hat sich künstliche Intelligenz (KI) zu einem leistungsstarken Werkzeug entwickelt, um das Verhalten von Materialien auf der Grundlage ihrer atomaren Struktur vorherzusagen. Dies hilft Forschern, neue Materialien schneller zu entdecken und die Abhängigkeit von Trial-and-Error-Methoden zu verringern. Viele dieser Modelle funktionieren jedoch wie „Black Boxes“. Sie können zwar genaue Vorhersagen treffen, erklären aber nicht, wie diese Vorhersagen zustande kommen. Dies erschwert das Verständnis der Zusammenhänge zwischen der Struktur eines Materials und seinen Eigenschaften und schränkt den Nutzen dieser Modelle für die Entwicklung neuer Designs ein.

Nun haben Forscher des Institute of Science Tokyo (Science Tokyo) in Japan in einer Studie eine Methode entwickelt, um diese Modelle besser interpretierbar zu machen. Ihr Ansatz besteht darin, ein trainiertes KI-Modell zu analysieren und die Schlüsselmerkmale zu extrahieren, die es darüber gelernt hat, wie die Kristallstruktur mit optischen Spektren zusammenhängt. Anhand dieser Merkmale gruppierten die Forscher dann Materialien, die ähnliche optische Spektren und strukturelle Eigenschaften aufweisen.

Die Studie wurde von Assistenzprofessor Akira Takahashi, Professor Fumiyasu Oba (ebenfalls Projektleiter am KISTEC, Japan) sowie dem Masterstudenten Arata Takamatsu (zum Zeitpunkt der Forschung) vom Labor für Materialien und Strukturen am Science Tokyo in Zusammenarbeit mit Professor Yu Kumagai vom Institut für Materialforschung der Tohoku-Universität, Japan.

„Unsere vorgeschlagene Klassifizierungsmethode ermöglicht ein detailliertes Verständnis davon, wie KI-Vorhersagemodelle Vorhersagen treffen, nämlich durch die Extraktion von Schlüsselfaktoren für gewünschte Spektralformen, und liefert dadurch nützliche physikalische und chemische Erkenntnisse für das Materialdesign“, sagt Takahashi.

Die Eigenschaften von Materialien hängen oft von bestimmten Parametern ab und werden anhand von Spektraldaten beschrieben – beispielsweise durch optische Absorptionsspektren, die erfassen, wie Licht bei verschiedenen Wellenlängen mit dem Material interagiert. Im Vergleich zu Eigenschaften, die durch eine einzige Zahl dargestellt werden, sind Spektraldaten weitaus umfangreicher und komplexer, was ihre Interpretation mit herkömmlichen KI-Methoden erschwert.

Die Forscher verwendeten ein atomistisches Liniengraphen-Neuralnetz (ALIGNN), eine bestehende Architektur für Graphen-Neuralnetze, das darauf trainiert wurde, optische Absorptionsspektren aus der atomaren Struktur anhand von Daten aus 2.681 Metalloxiden, Chalkogeniden und verwandten Verbindungen vorherzusagen. Aus dem trainierten Modell extrahierten sie Merkmale aus dessen internen Schichten und wandten hierarchisches Clustering an, eine Methode, die Elemente anhand ihrer Ähnlichkeit gruppiert. Dies ermöglichte es ihnen, Materialien in verschiedene Gruppen einzuteilen, die sowohl strukturelle Merkmale wie Elementzusammensetzung, Atomkoordination, Bindungslängen und Bindungswinkel als auch ähnliche Spektralformen aufwiesen.

Bemerkenswert ist, dass das Modell diese Muster allein aus der atomaren Struktur lernte, ohne dass Oxidationsstufen oder elektronische Konfigurationen als Eingabe gegeben wurden, was darauf hindeutet, dass es intern aussagekräftige Beziehungen zwischen Struktur und Eigenschaften erfasst hatte.

Optische Eigenschaften spielen in vielen Anwendungen eine Schlüsselrolle. Sie beeinflussen das Aussehen eines Materials, was für Pigmente und Farbstoffe wichtig ist, und bestimmen, wie es in Geräten wie Solarzellen und Photodetektoren mit Licht interagiert. Zu verstehen, welche Elementarten und Strukturmerkmale diese Spektren prägen, ist daher entscheidend für die Erstellung rationaler Designrichtlinien für solche Materialien.

Darüber hinaus ist der Ansatz nicht auf optische Spektren beschränkt: Er lässt sich erweitern, um zu bestimmen, wie die Struktur eines Materials dessen Verhalten unter verschiedenen Bedingungen wie Temperatur oder Druck beeinflusst, was neue Möglichkeiten für die Entwicklung von Materialien mit spezifischen und nützlichen Eigenschaften eröffnet. Wie hier für die optische Absorption gezeigt, lässt sich der Ansatz auf eine Reihe von spektralen Eigenschaften anwenden und ermöglicht es Forschern, gemeinsame Faktoren verschiedener Materialien zu identifizieren und Rückschlüsse auf die Ursachen gewünschter spektraler Eigenschaften zu ziehen.

„Bislang war es schwierig zu interpretieren, was Modelle des maschinellen Lernens über spektrale Eigenschaften gelernt haben. In dieser Arbeit haben wir eine allgemeine Methode entwickelt, um solche Erkenntnisse zu gewinnen, von der wir glauben, dass sie sich für die Materialforschung als allgemein nützlich erweisen wird“, fasst Takahashi zusammen.