KI-Modell mit hierarchischer Polymerdarstellung beschleunigt Materialvorhersagen

Ein neues KI-Framework namens CI‑LLM (Chemically Informed Language Model) hat die Grenzen der Polymerforschung sprengt. Durch die Kombination von HAPPY, einer hierarchisch abstrahierten Polymerstruktur, mit numerischen Deskriptoren in Transformer‑Architekturen gelingt es, die bisherige Datenknappheit zu überwinden.

Der beschleunigte Encoder De³BERTa liefert für die Vorhersage von Materialeigenschaften eine 3,5‑fach schnellere Inferenz als herkömmliche SMILES‑basierte Modelle. Gleichzeitig verbessert er die Genauigkeit um 0,9 bis 4,1 % (R²‑Score) bei vier verschiedenen Eigenschaften und bietet gleichzeitig interpretierbare Einblicke auf Subgruppenebene.

Für die inverse Design‑Aufgabe nutzt CI‑LLM einen GPT‑basierten Generator, der Polymere mit gezielten Eigenschaften erzeugt. Dabei wird die komplette Struktur erhalten und es gelingt, mehrere, sogar negativ korrelierte Ziele gleichzeitig zu optimieren. Das Ergebnis ist ein umfassendes System, das sowohl Vorhersage als auch Design von Polymeren ermöglicht und damit die Anwendung von KI in der Polymerwissenschaft vorantreibt.