Quantum‑Aware KI: 3‑5× bessere Treffer bei korrelierten Oxiden

Ein neues generatives KI‑Framework, das auf Quantenmechanik ausgerichtet ist, verspricht, die Materialentdeckung zu revolutionieren. Im Gegensatz zu herkömmlichen Modellen, die ausschließlich auf Daten aus der Dichtefunktionaltheorie (DFT) basieren, integriert dieses System mehrere Ebenen der theoretischen Genauigkeit und adressiert damit die systematischen Fehler von DFT bei stark korrelierten Systemen.

Der Ansatz nutzt einen diffusionbasierten Generator, der mit quantenmechanischen Deskriptoren konditioniert ist, sowie einen Validator, der auf einer hierarchischen Datenbank trainiert wurde, die von PBE über SCAN und HSE06 bis hin zu CCSD(T) reicht. Durch die Kombination von Multi‑Fidelity‑Learning und einer aktiven Validierung kann das Modell gezielt die Lücken zwischen niedriger und hoher Genauigkeit schließen.

Ein zentrales Merkmal ist der robuste Active‑Learning‑Loop, der die Divergenz zwischen Low‑Fidelity‑ und High‑Fidelity‑Vorhersagen misst und gezielt neue Datenpunkte auswählt, die die größte Unsicherheit aufweisen. Dieser Prozess sorgt dafür, dass das Modell besonders in Bereichen mit hoher Divergenz, wie korrelierten Oxiden, fokussiert arbeitet.

In umfangreichen Ablationsstudien und Benchmark‑Tests gegen führende generative Modelle (CDVAE, GNoME, DiffCSP) zeigte das neue Framework einen 3‑ bis 5‑fachen Anstieg bei der Identifikation potenziell stabiler Kandidaten in hochdivergenten Regionen. Gleichzeitig bleibt die Rechenaufwand im akzeptablen Rahmen, was die praktische Anwendbarkeit deutlich erhöht.

Diese Entwicklung markiert einen bedeutenden Fortschritt in der Materialforschung, indem sie die Grenzen der DFT‑Abhängigkeit überwindet und die Entdeckung neuer, komplexer Materialien beschleunigt. Die Kombination aus quantenmechanischer Präzision, Multi‑Fidelity‑Learning und aktivem Lernen eröffnet neue Perspektiven für die gezielte Gestaltung von Materialien mit gewünschten Eigenschaften.