Materialforschung: Künstliche Intelligenz beschleunigt Synthesen
Forschende des KIT aus dem Helmholtz-Forschungsbereich Information demonstrieren die Anwendung von Maschinellem Lernen bei der Entwicklung metall-organischer Gerüstverbindungen. (Quelle: Karlsruher Institut für Technologie – Pressemitteilungen)
Energie und Umweltschutz, Medizin, Information und Kommunikation: Diese und viele weitere Bereiche sind auf innovative Materialien angewiesen. Datenbasierte Synthesestrategien können die Entwicklung neuartiger Materialien wesentlich beschleunigen und deren Eigenschaften verbessern. Forschende am Karlsruher Institut für Technologie (KIT) aus Programm 3: „Materials System Engineering“ des Forschungsbereichs Information haben mithilfe Künstlicher Intelligenz Synthesestrategien für bisher unbekannte metall-organische Gerüstverbindungen (MOFs) ermittelt. Diese hochporösen kristallinen Materialien lassen sich für verschiedenste Anwendungen wie Stofftrennung, Gasspeicherung, Katalyse und Sensorik maßschneidern.
Weltweit erste MOF-Synthesedatenbank
In der Zeitschrift Angewandte Chemie berichten die Forschenden nun, wie sich Maschinelles Lernen (ML) zur Rationalisierung der MOF-Entwicklung einsetzen lässt. „Dabei werden die Synthesebedingungen eines MOF direkt anhand der Kristallstruktur vorhergesagt“, erklärt Manuel Tsotsalas vom Institut für Funktionelle Grenzflächen des KIT sowie Mitglied in Topic 3: „Adaptive and Bioinstructive Materials Systems“ im Programm 3 des Forschungsbereich Information. Die Studie wurde zusammen mit dem Institut für Theoretische Informatik des KIT durchgeführt. Möglich wird die datengesteuerte Vorhersage dank der weltweit ersten MOF-Synthesedatenbank. Für deren Erstellung wurden aus der Fachliteratur die benötigten Parameter mithilfe von Algorithmen zur Verarbeitung natürlicher Sprache extrahiert. Die auf der Datenbank basierenden, trainierten und optimierten ML-Algorithmen übertrafen schon in der Anfangsphase deutlich die Vorhersageleistung menschlicher Expertinnen und Experten.
Die Original-Pressemitteilung finden Sie unter:
Materialforschung: Künstliche Intelligenz beschleunigt Synthesen
Die Originalpublikation finden Sie unter:
Yi Luo, Saientan Bag, Orysia Zaremba, Adrian Cierpka, Jacopo Andreo, Stefan Wuttke, Pascal Friederich, Manuel Tsotsalas: MOF Synthesis Prediction Enabled by Automatic Data Mining and Machine Learning. Angew. Chem. Int. Ed., 2022. DOI: https://doi.org/10.1002/anie.202200242
Verortung im Helmholtz-Forschungsbereich Information:
Helmholtz-Forschungsbereich Information, Program 3: Materials Systems Engineering, Topic 3: Adaptive and Bioinstructive Materials Systems
Kontakt:
Dr. Manuel Tsotsalas
Gruppenleiter SURCOFs und SURGELs am Institut für Funktionelle Grenzflächen (IFG)
Karlsruher Institut für Technologie (KIT)
Tel.: +49-721-608-2-8107
E-Mail: manuel.tsotsalas@kit.edu
