Mensch‑KI‑Team: Neue Proxy‑Modelle beschleunigen Materialforschung

In einem wegweisenden Ansatz arbeiten menschliche Experten und künstliche Intelligenz Hand in Hand, um die Entdeckung neuer Materialien zu beschleunigen. Durch die Kombination von menschlicher Intuition mit datengetriebenen Algorithmen entsteht ein dynamisches System, das gezielt die vielversprechendsten Experimente auswählt.

Traditionelle autonome Forschungsplattformen setzen häufig auf mathematische Zielfunktionen, die aus den experimentellen Messdaten abgeleitet werden. Bei hochdimensionalen, verrauschten Beschreibungen dieser Daten kann die daraus resultierende Zielfunktion jedoch wichtige physikalische Nuancen übersehen und damit potenzielle Durchbrüche verfehlen.

Die neue Methode, genannt Proxy‑Modelled Bayesian Optimization (px‑BO), löst dieses Problem, indem sie menschliche Entscheidungen in Echtzeit einbindet. Nach jedem Experiment vergleicht ein KI‑System die Ergebnisse mit bereits durchgeführten Tests und lässt die Forscher per Abstimmung entscheiden, welche Proben bevorzugt werden. Diese Vergleiche werden anschließend in ein Bradley‑Terry‑Modell überführt, das eine proxybasierte Zielfunktion erzeugt. Sobald das Modell ausreichend trainiert ist, übernimmt es die Rolle des menschlichen Abstimmers für zukünftige Experimente, wobei die menschliche Kontrolle nur noch sporadisch zur Validierung und Korrektur herangezogen wird.

Durch diesen iterativen Lernprozess konnten die Entwickler die Notwendigkeit menschlicher Eingriffe drastisch reduzieren, ohne die Entdeckung von bislang unbekannten Materialphänomenen zu gefährden. Erste Demonstrationen in den Bereichen Materialcharakterisierung, Synthese und Funktionsoptimierung zeigten, dass die Proxy‑Modelle die Effizienz der experimentellen Suche signifikant steigern und gleichzeitig die Qualität der Ergebnisse erhalten.