MIT-Modell verbindet Kristallstrukturen mit Text für die Materialsuche

MIT-Forscher haben ein KI-Modell entwickelt, das Kristallstrukturen und sprachliche Beschreibungen gemeinsam verarbeitet. Das System soll geeignete Materialien anhand gewünschter Eigenschaften finden und berücksichtigt dabei die räumliche Anordnung der Atome statt allein veröffentlichter Texte.

Das Massachusetts Institute of Technology stellte den Ansatz am 18. Oktober 2026 vor. Die Forschungsarbeit erschien in Nature Communications; Erstautor ist der frühere MIT-Postdoktorand Yang Jeong Park. Das Team verknüpft experimentelle Fachliteratur mit rechnergestützten Materialdatenbanken. Daraus entstehen Beschreibungen, die chemische Zusammensetzung, Aufbau, Eigenschaften, Verarbeitung und mögliche Anwendungen zusammenführen.

Räumliche Daten ergänzen die Fachliteratur

Kristalle besitzen regelmäßig angeordnete Atome und machen laut MIT mehr als 90 Prozent der festen Materialien auf der Erde aus. Ihre Strukturen liegen häufig in Spezialformaten vor, nicht als gewöhnlicher Text. Zugleich konzentriert sich die experimentelle Literatur auf wenige verbreitete Kristallklassen. Nach Darstellung der Forscher verzerrt diese Auswahl die Ergebnisse von KI-Modellen.

Das MIT-Team verwendet kontrastives Lernen: Dabei vergleicht das System ähnliche und unterschiedliche Beispiele von Strukturen und Textbeschreibungen. Im anschließenden Vergleich untersuchten die Forscher zwei Modellvarianten. Eine lernte mit KI-erzeugten Beschreibungen, die andere ausschließlich mit Texten aus Fachartikeln. Nur die erste Variante lernte erfolgreich, geometrische Strukturen den sprachlichen Beschreibungen zuzuordnen.

Materialsuche für feste Batterieelektrolyte

Bei einer Suche nach Materialien mit vorgegebenen Eigenschaften übertraf das MIT-Modell ein Vergleichssystem. Als Testfall dienten Elektrolyte für Festkörper-Lithium-Ionen-Batterien. Elektrolyte transportieren geladene Teilchen innerhalb der Batterie; in Festkörperbatterien sind sie fest statt flüssig. Unter den bestplatzierten Ergebnissen lagen Materialien, die unabhängig davon bereits als aussichtsreiche Kandidaten identifiziert worden waren. Finanziell unterstützten die Arbeit unter anderem die US-Forschungsbehörde DARPA und die Nationale Forschungsstiftung Koreas.