Diamant und Graphit bestehen beide aus Kohlenstoff. Dennoch ist der eine außerordentlich hart, der andere weich genug, um beim Schreiben Spuren zu hinterlassen. Entscheidend ist nicht allein, welche Atome vorhanden sind, sondern wie sie sich miteinander verbinden: im räumlichen Netzwerk oder in übereinanderliegenden Schichten.
Für künstliche Intelligenz steckt darin eine Herausforderung. Ein System kann viele Fachtexte verarbeiten, ohne die darin beschriebenen räumlichen Strukturen zuverlässig mit Materialeigenschaften zu verknüpfen. Forschende am Massachusetts Institute of Technology und weiteren Einrichtungen haben nun einen Ansatz vorgestellt, der diese Lücke verkleinern soll.
Fachwissen braucht eine räumliche Grundlage
Bei der Werkstoffsuche zählt die Anordnung der Atome. Sie beeinflusst etwa magnetische Eigenschaften oder das Verhalten eines Materials als elektrischer Leiter. Wer nur die chemische Zusammensetzung kennt, kennt deshalb noch nicht alle entscheidenden Eigenschaften.
Nach Darstellung des MIT hat das Lernen aus Fachliteratur außerdem eine Schieflage: Häufig untersuchte Kristallklassen sind stark vertreten, andere kaum. Zugleich liegen viele berechnete Strukturen in Datenbanken vor, nicht in ausführlichen Beschreibungen. Ein großer Textbestand bildet den möglichen Materialraum daher nicht automatisch ausgewogen ab.
Das bedeutet allerdings nicht, dass KI grundsätzlich blind für Materie wäre. Spezialisierte Verfahren arbeiten längst mit räumlichen Kristallmodellen. Die Schwierigkeit liegt hier darin, solche Strukturinformationen mit den Begriffen zu verbinden, mit denen Menschen gewünschte Eigenschaften beschreiben.
Zwei Zugänge zum selben Kristall
Das in Nature Communications veröffentlichte Modell heißt CLaC. Es verarbeitet Kristallstrukturen als Netzwerke von Atomen und ihren räumlichen Beziehungen. Ein zweiter Modellteil verarbeitet Sprache. Beim Training sollen zusammengehörige Strukturen und Beschreibungen einander zugeordnet werden.
Die entscheidende Ergänzung sind künstlich erzeugte Texte. Sie stützen sich auf berechnete Materialeigenschaften und beschreiben auch mögliche Funktionen und Anwendungen. Damit erhält das Modell gezieltere Verbindungen zwischen einer Struktur und ihrer Bedeutung für die Materialsuche.
In den Computertests suchte CLaC auf sprachliche Vorgaben hin passende Kandidaten aus einem Materialbestand. Die mit synthetischen Beschreibungen trainierte Variante traf die gewünschten Eigenschaften besser. Eine Vergleichsvariante, die Textauszüge aus Fachartikeln nutzte, lag bei den untersuchten Eigenschaftsabfragen dagegen weitgehend auf dem Niveau einer Zufallsauswahl. Das ist ein Ergebnis dieses Versuchsaufbaus, kein allgemeiner Beweis gegen das Lernen aus Fachliteratur.
Ein Suchtreffer ist noch kein Werkstoff
Als Anwendungsbeispiel nennt das MIT feste Elektrolyte für Lithium-Ionen-Batterien. Unter den Treffern waren Materialien, die bereits unabhängig als aussichtsreich eingestuft worden waren. Das spricht für eine nützliche Vorauswahl, belegt aber noch keine neu entwickelte, im Labor erprobte Batterie.
Auch ist das Verfahren auf kristalline Materialien begrenzt. Seine Ergebnisse lassen sich nicht ohne Weiteres auf ungeordnete Stoffe oder reale Werkstoffe mit vielfältigen Strukturfehlern übertragen.
Eine unabhängige Autorengruppe mit Beteiligung der US-Forschungsbehörde NIST warnte bereits 2023 davor, größere Modelle und mehr Daten mit verlässlicherem Fortschritt gleichzusetzen. Gerade außerhalb vertrauter Trainingsdaten seien geeignete physikalische Darstellungen und eine sorgfältige Bewertung der Unsicherheit nötig.
Der mögliche Gewinn liegt deshalb zunächst in einer besseren Auswahl: Welche Kandidaten verdienen weitere Berechnungen und Experimente? Ob ein Treffer tatsächlich die verlangten Eigenschaften besitzt und sich herstellen lässt, muss anschließend geprüft werden.
Redaktionell geprüft · 23. Oktober 2026
