LLM-gestütztes Active Learning reduziert Experimente in Materialwissenschaften um 70 %

Ein neues Framework, das große Sprachmodelle (LLMs) nutzt, verspricht, die experimentelle Forschung in der Materialwissenschaft drastisch zu beschleunigen. Im Gegensatz zu herkömmlichen Machine‑Learning‑Modellen, die oft mit dem sogenannten „Cold‑Start“-Problem und aufwendig zu entwickelnden, domänenspezifischen Merkmalen kämpfen, greift das LLM-AL-Framework auf das bereits vortrainierte Wissen der Modelle zurück und arbeitet mit universellen, tokenbasierten Repräsentationen.

Das System arbeitet in einem iterativen Few‑Shot-Ansatz und wurde an vier unterschiedlichen Datensätzen aus der Materialwissenschaft getestet. Dabei wurden zwei unterschiedliche Prompting‑Strategien eingesetzt: eine kompakte numerische Variante für Datensätze mit strukturierten, kompositionsbasierten Merkmalen und eine erweiterte, beschreibende Variante für Datensätze, die experimentelle und prozedurale Informationen enthalten.

Die Ergebnisse sind beeindruckend: LLM-AL benötigt über 70 % weniger Experimente, um die besten Kandidaten zu identifizieren, und übertrifft dabei konsequent klassische ML‑Modelle. Das Modell führt breitere, explorativere Suchen durch, erreicht aber dennoch die optimalen Ergebnisse mit weniger Iterationen.

Darüber hinaus zeigte die Untersuchung der Stabilitätsgrenzen, dass die Leistung von LLM-AL über mehrere Durchläufe hinweg konsistent bleibt, wobei die Schwankungen im Rahmen liegen, der bei traditionellen ML‑Ansätzen üblich ist. Diese Erkenntnisse deuten darauf hin, dass LLM-AL ein robustes und vielseitiges Werkzeug für die beschleunigte Materialforschung sein kann.