KI Panorama

Suche

Branche oder Lebensbereich: Energie

  • GNoME: neue stabile Kristallstrukturen vorhersagen

    Das Projekt vergrößerte den rechnerisch vorhergesagten Raum stabiler Materialien erheblich. Eine vorhergesagte Stabilität bedeutet jedoch nicht, dass ein Material praktisch synthetisierbar, dauerhaft oder für eine konkrete Anwendung geeignet ist.

    Forschungsfrage

    Wie kann die Suche im enormen Raum möglicher anorganischer Kristallstrukturen beschleunigt werden?

    Ansatz

    Graphenmodelle sagen Energie und Stabilität von Kandidaten voraus. Neue Kandidaten werden iterativ erzeugt, berechnet und zum weiteren Training verwendet.

    Veröffentlichte Ergebnisse

    • Die Nature-Arbeit beschreibt 2,2 Millionen vorhergesagte Kristallstrukturen
    • Rund 381.000 Kandidaten wurden in den Berechnungen als stabil eingeordnet
    • Daten wurden für weitere Forschung bereitgestellt

    Bedeutung

    • Erweiterte Ausgangsbasis für Batterien, Halbleiter und andere Materialklassen
    • Priorisierung von Kandidaten vor teuren Laborversuchen
    • Verknüpfung von KI-Vorhersage und automatisierter Synthese

    Grenzen

    • Thermodynamische Stabilität ist nur ein Auswahlkriterium
    • Synthesewege, Defekte, Kosten und Umweltwirkung müssen separat untersucht werden
    • Experimentelle Bestätigung bleibt notwendig

    Primärquellen

  • GenCast: probabilistische Wettervorhersagen mit KI

    GenCast ist ein diffusionsbasiertes Wettermodell für probabilistische Vorhersagen bis zu 15 Tage. Mehrere mögliche Entwicklungen bilden Unsicherheit und Risiken ab. Operative Wetterwarnungen bleiben Aufgabe meteorologischer Dienste und umfassender Vorhersagesysteme.

    Forschungsfrage

    Wie lassen sich nicht nur erwartete Wetterwerte, sondern die Verteilung möglicher Wetterentwicklungen schnell und präzise vorhersagen?

    Ansatz

    Das Modell wurde auf historischen Wetteranalysen trainiert und erzeugt ein Ensemble vieler plausibler zukünftiger Atmosphärenzustände. Die Architektur berücksichtigt die Geometrie der Erde.

    Veröffentlichte Ergebnisse

    • Die Nature-Studie vergleicht GenCast mit dem ECMWF-Ensemblesystem ENS
    • GenCast zeigte in den berichteten Tests höhere Vorhersagegüte für viele Variablen und Vorlaufzeiten
    • Untersucht wurden auch tropische Zyklonbahnen, Windenergie und extreme Bedingungen

    Bedeutung

    • Schnelle Wahrscheinlichkeitsprognosen
    • Bessere Darstellung von Unsicherheit
    • Mögliche Unterstützung für Energieplanung und Katastrophenvorsorge

    Grenzen

    • Training beruht auf Reanalysedaten und damit auch auf physikbasierten Systemen
    • Lokale Extremereignisse und Intensitäten bleiben anspruchsvoll
    • Modelle benötigen laufende unabhängige operative Evaluation

    Primärquellen

  • MatterGen: Materialien nach gewünschten Eigenschaften erzeugen

    Statt eine feste Datenbank nur zu durchsuchen, beginnt MatterGen mit Anforderungen und generiert passende Kristallstrukturen. Computergestützte Stabilität und gewünschte Eigenschaften sind jedoch nur der Anfang; Synthese und Messung im Labor bleiben unverzichtbar.

    Forschungsfrage

    Können neue anorganische Materialien direkt unter Bedingungen wie Zusammensetzung, Symmetrie, Magnetismus oder mechanischen Eigenschaften erzeugt werden?

    Ansatz

    Ein diffusionsbasiertes Modell erzeugt atomare Zusammensetzungen, Gitter und Positionen. Durch Fine-Tuning oder konditionierte Generierung wird die Suche auf gewünschte Eigenschaften gelenkt.

    Veröffentlichte Ergebnisse

    • Erzeugung stabiler und neuartiger Materialkandidaten über verschiedene chemische Systeme
    • Steuerung nach mehreren Eigenschaftsbedingungen
    • Experimentelle Synthese eines vorgeschlagenen Materials als Teil der Validierung

    Bedeutung

    • Inverse Materialentwicklung statt ausschließlichem Screening
    • Schnellere Hypothesenbildung für Batterien, Magnete und andere Anwendungen
    • Verbindung generativer Modelle mit Simulation und Laborprüfung

    Grenzen

    • Berechnete Eigenschaften können von realen Proben abweichen
    • Herstellbarkeit, Defekte und Skalierbarkeit sind separate Probleme
    • Die Wahl der Trainingsdaten begrenzt den erforschten chemischen Raum

    Primärquellen

  • Aurora: Foundation Model für das Erdsystem

    Aurora wurde auf mehr als einer Million Stunden geophysikalischer Daten vortrainiert. Durch Fine-Tuning kann die gemeinsame Grundlage für Wetter, Luftqualität, Wellen und Zyklonbahnen spezialisiert werden. Es ergänzt physikalische Modelle und Beobachtungssysteme, ersetzt sie aber nicht.

    Forschungsfrage

    Kann ein gemeinsames vortrainiertes Modell verschiedene atmosphärische und geophysikalische Vorhersageaufgaben lernen?

    Ansatz

    Ein Encoder verarbeitet heterogene räumliche Felder auf unterschiedlichen Auflösungen. Ein Transformer lernt gemeinsame Dynamiken, bevor das Modell für einzelne Aufgaben feinabgestimmt wird.

    Veröffentlichte Ergebnisse

    • Evaluationen für Wetter, Luftqualität, Ozeanwellen und tropische Zyklonbahnen
    • Schnelle Inferenz im Vergleich zu klassischen Simulationen
    • Übertragung eines gemeinsamen vortrainierten Modells auf verschiedene Fachaufgaben

    Bedeutung

    • Einheitliche Grundlage für mehrere Erdsystemaufgaben
    • Schnellere Experimente und spezialisierte Vorhersagen
    • Potenzial für Regionen oder Variablen mit begrenzten Rechenressourcen

    Grenzen

    • Vorhersagen hängen von Qualität und Abdeckung der Trainingsdaten ab
    • Langfristige Klimaaussagen sind nicht dasselbe wie kurzfristige Wetterprognosen
    • Operative Einführung benötigt unabhängige, kontinuierliche Prüfung

    Primärquellen