Janus: Generatives Modell für inverses Design heterogener Materialien

Die inverse Gestaltung von heterogenen Materialmikrostrukturen gilt als eines der schwierigsten Probleme in der Materialwissenschaft. Sie ist nicht nur ill-posed, sondern auch mit hochdimensionalen Designräumen, multimodalen Eingangsgrößen und stark nichtlinearen physikalischen Prozessen verbunden, was die Berechnung extrem kostenintensiv macht.

Janus löst dieses Problem, indem es eine tiefen Encoder‑Decoder‑Architektur mit einer separaten, prädiktiven KHRONOS‑Kopf‑Komponente kombiniert. Durch das gleichzeitige Lernen eines isometrischen latenten Raums für die generative Inversion und eines für die physikalische Vorhersage wird die latente Struktur entangled, sodass deterministische Inversionen stabil und schnell möglich sind.

Die Leistungsfähigkeit von Janus wurde zunächst am MNIST‑Datensatz demonstriert. Das Modell erzielte eine hochpräzise Rekonstruktion, exakte Klassifikation und eine vielfältige generative Inversion aller zehn Klassen, was die Vielseitigkeit der Architektur unterstreicht.

Im eigentlichen Anwendungsfall – dem inversen Design von Mikrostrukturen mit bekannter Wärmeleitfähigkeit – erreichte Janus eine Vorhersage‑Genauigkeit von R² = 0,98 (2 % relative Fehler) und eine pixelweise Rekonstruktionsfehlerquote von unter 5 %. Die inversen Lösungen erfüllten die Zielwerte mit einem relativen Fehler von weniger als 1 %. Durch das Durchsuchen des latenten Raums lassen sich zudem glatte Übergänge zwischen verschiedenen Materialeigenschaften beobachten, was durch UMAP‑Visualisierungen bestätigt wurde.

Janus stellt damit einen bedeutenden Fortschritt dar: Es verbindet die Genauigkeit moderner generativer Modelle mit einer physikbasierten, deterministischen Inversion, wodurch die Entwicklung neuer, maßgeschneiderter Materialien deutlich beschleunigt und vereinfacht wird.