KI-gestützte Generierung von Doppelperovskiten: Mehr Stabilität ohne neue Daten

Wissenschaftler haben ein neues, mehrstufiges Textgradienten-Framework vorgestellt, das Doppelperovskite‑Materialien (DPs) unter natürlichen Sprachbedingungen generiert. Durch die Kombination von drei Feedback‑Quellen – selbstbewertende KI‑Modelle, domänenspezifisches Fachwissen und maschinelles Lern‑Surrogat – wird die Kompositionsauswahl gezielt in physikalisch sinnvolle Bereiche gelenkt.

Im Vergleich zu reinen KI‑Generierungen oder reinen KI‑Feedback‑Ansätzen zeigt das neue System eine deutliche Leistungssteigerung: Über 98 % der erzeugten Zusammensetzungen sind gültig, und bis zu 54 % der Kandidaten erfüllen Stabilitätskriterien. Das ist ein signifikanter Fortschritt gegenüber dem LLM‑Only‑Baseline von 43 % und früheren GAN‑Modellen mit 27 %.

Die Analyse der ML‑basierten Gradienten verdeutlicht, dass sie in den bekannten, in‑Distribution‑Bereichen die Leistung verbessern, jedoch bei Aus‑of‑Distribution‑Szenarien an Zuverlässigkeit verlieren. Trotzdem demonstriert das Verfahren, wie domäneninformierte Textgradienten die Suche nach stabilen Doppelperovskiten effizienter machen können – und das ohne zusätzliche Trainingsdaten.