Materialforschung: Künstliche Intelligenz beschleunigt Synthesen

Forschende des KIT demonstrieren die Anwendung von Maschinellem Lernen bei der Entwicklung metall-organischer Gerüstverbindungen
SURMOF-Struktur Andrea Fabry
Zur automatischen Synthesevorhersage von MOFs (abgebildet eine sogenannte SURMOF-Struktur mit eingelagertem Molekül) haben die Forschenden ein Webtool erstellt. (Foto: Andrea Fabry)

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) 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, das die Studie zusammen mit dem Institut für Theoretische Informatik des KIT durchführte. 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. 

or, 01.03.2022