MSP-LLM: Einheitliches Sprachmodell für komplette Material‑Syntheseplanung

Die Planung von Material‑Synthesen bleibt ein entscheidender Engpass in der KI‑gestützten Materialforschung. Sie erfordert nicht nur die Auswahl geeigneter Vorläufer, sondern auch die Ausarbeitung zusammenhängender Synthese‑Schritte, um ein Zielmaterial herzustellen. Trotz zahlreicher KI‑Ansätze für einzelne Teilaufgaben fehlt bislang ein einheitliches Verfahren, das die gesamte Syntheseplanung abdeckt.

Mit dem neuen Framework MSP‑LLM wird das Problem als strukturierter Prozess mit zwei Kernaufgaben definiert: die Vorläufer‑Vorhersage (PP) und die Vorhersage der Synthese‑Operationen (SOP). Ein diskretes Material‑Klassen‑Intermediär wird eingeführt, das beide Aufgaben in eine chemisch konsistente Entscheidungs­kette einbettet. Für die SOP‑Aufgabe nutzt MSP‑LLM hierarchische Vorläufer‑Typen als induktive Biases und setzt eine explizite Konditionierungsstrategie ein, die vorläuferbezogene Informationen im autoregressiven Dekodierungszustand bewahrt.

Umfangreiche Experimente zeigen, dass MSP‑LLM bestehende Methoden sowohl bei PP als auch bei SOP als auch bei der vollständigen Syntheseplanung übertrifft. Das Ergebnis ist ein effektives und skalierbares System, das die Entdeckung neuer Materialien in der Praxis beschleunigt.