GNoME: neue stabile Kristallstrukturen vorhersagen

GNoME nutzte Graph Neural Networks und großskalige Berechnungen, um Kandidaten für stabile anorganische Kristalle zu finden.

Wissensstufe: , , Status: Zuletzt geprüft: 28.07.2026Primärquelle: Nature: Scaling deep learning for materials discovery
Lesedauer: etwa 1 Min.Zur Übersicht

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