Stellen Sie sich eine Welt vor, in der Magnete auch bei extremen Temperaturen funktionieren, bessere Motoren antreiben oder Daten effizienter speichern. Das ist das Ziel von Wissenschaftlern, die künstliche Intelligenz (KI) zur Suche nach neuen magnetischen Materialien einsetzen. In einer Studie in Nature Communications erstellten Autoren wie Y. Zhang und Kollegen die NEMAD-Datenbank mit 67 573 Einträgen zu magnetischen Materialien. Diese Datenbank basiert auf wissenschaftlichen Artikeln von Elsevier und der American Physical Society, deren Texte von der KI analysiert werden, um Details wie die chemische Zusammensetzung, die Curie-Temperatur oder die Kristallstruktur zu extrahieren.
Die KI setzt dabei zunächst große Sprachmodelle (LLMs) wie GPT-4o ein. Diese Modelle durchsuchen Artikel im XML- oder PDF-Format, identifizieren relevante Abschnitte und erzeugen strukturierte Daten. Das Modell unterteilt den Text beispielsweise in Abschnitte von jeweils 500 Token, ermittelt mithilfe des Tools FAISS Ähnlichkeiten und extrahiert Informationen über Materialien wie Fe3PdN oder VFeCoGe. Dadurch lassen sich schnell enorme Datenmengen zusammentragen, deren manuelle Erfassung Jahre dauern würde. Die NEMAD-Datenbank enthält Elemente wie Eisen (Fe), Kobalt (Co) oder Nickel (Ni) und umfasst sowohl ferromagnetische als auch antiferromagnetische Verbindungen.
Training von KI-Modellen für Vorhersagen
Mit diesen Daten trainieren die Wissenschaftler Modelle des maschinellen Lernens (Machine Learning), um die Eigenschaften von Materialien vorherzusagen. Sie verwenden Random Forest, XGBoost und Ensemble Neural Network. Diese Modelle klassifizieren Materialien mit einer Genauigkeit von 90 % als ferromagnetisch (FM), antiferromagnetisch (AFM) oder nichtmagnetisch (NM). XGBoost erreicht beispielsweise bei den Testdaten eine Genauigkeit von 0,91, wobei zentrale Eigenschaften wie die durchschnittliche Atommasse oder der Anteil von Elementen mit hoher Curie-Temperatur eine entscheidende Rolle spielen.
Zur Vorhersage der Curie-Temperatur (des Punktes, an dem ein Material seinen Magnetismus verliert) arbeiten die Modelle mit ausgewogenen Daten, um eine Verzerrung hin zu niedrigen Temperaturen zu vermeiden. XGBoost erreicht ein Bestimmtheitsmaß R² von 0,87, einen mittleren absoluten Fehler (MAE) von 56 K und eine Wurzel des mittleren quadratischen Fehlers (RMSE) von 97 K. Das bedeutet, dass das Modell die Temperaturen mit einem Fehler von etwa 56 Kelvin vorhersagt. Für die Néel-Temperatur (bei AFM-Materialien) beträgt R² entsprechend 0,83 und der MAE 38 K. Die Modelle berücksichtigen Faktoren wie den Eisenanteil oder das durchschnittliche magnetische Moment, was dabei hilft, vielversprechende Kandidaten zu identifizieren.
25 neue Entdeckungen
Der interessanteste Aspekt ist, wie die KI externe Datenbanken wie Materials Project oder Sammlungen von Heusler-Verbindungen durchsucht, um neue Materialien zu finden. Die Modelle identifizierten 25 ferromagnetische Kandidaten mit einer prognostizierten Curie-Temperatur von über 500 K, beispielsweise GaFe2Co4Si mit einer Vorhersage von etwa 1000 K oder Fe3Rh mit 645 K. Davon wurden später 7 in der Fachliteratur bestätigt, darunter Fe2CuGa mit einer experimentell bestimmten Temperatur von 798 K. Bei antiferromagnetischen Materialien fanden sie 13 Kandidaten mit einer Néel-Temperatur von über 100 K, darunter Sr2FeBrO3 mit 284 K.
Dieser Ansatz beschleunigt die Entdeckung, da die KI Tausende von Verbindungen filtert und diejenigen mit hohem Potenzial vorschlägt. Das XGBoost-Modell verwendete beispielsweise ausgewogene Datensätze, bei denen die Temperaturen in Klassen unterteilt und überschüssige Daten niedriger Temperaturen durch Unterstichproben reduziert wurden, wodurch sich die Genauigkeit um 4 % verbesserte. So können sich die Wissenschaftler bei ihren Experimenten auf vielversprechende Materialien wie VFe2BO5 oder MnZn3(CrSe2)8 konzentrieren, anstatt willkürliche Tests durchzuführen.
Dank KI wird die Entdeckung magnetischer Materialien schneller und effizienter. Die NEMAD-Datenbank ist unter www.nemad.org verfügbar, wo Nutzer die Einträge durchsuchen können. Die Modelle treffen nicht nur Vorhersagen, sondern decken auch Zusammenhänge auf, etwa die Bedeutung von Sauerstoff in Antiferromagneten aufgrund von Superaustauschwechselwirkungen. Dieser Ansatz lässt sich auf andere Bereiche wie Supraleiter oder Photovoltaik ausweiten und trägt dazu bei, Probleme wie den Mangel an Seltenen Erden in Magneten zu lösen.
