Neues KI-Modell entdeckt vielversprechende Metallhydride für Wasserstoffspeicherung
Ein innovatives KI-Framework kombiniert kausale Entdeckung mit einem schlanken generativen Machine‑Learning‑Modell, um neue Metallhydride zu entwerfen – ein entscheidender Schritt zur effizienten Wasserstoffspeicherung in CO₂‑neutralen Energiesystemen.
Aktuelle Datenbanken wie das Materials Project enthalten nur wenige gut charakterisierte Hydride, was die Suche nach optimalen Kandidaten stark einschränkt. Das vorgestellte System überwindet diese Begrenzung, indem es aus einem Datensatz von 450 Proben (270 Trainings-, 90 Validierungs- und 90 Test‑Samples) 1.000 potenzielle neue Hydride generiert.
Nach einer sorgfältigen Rangfolge und Filterung wurden sechs bislang unbekannte chemische Formeln und Kristallstrukturen identifiziert. Vier dieser Kandidaten wurden mittels Dichtefunktionaltheorie‑Simulationen validiert und zeigen ein starkes Potenzial für zukünftige experimentelle Untersuchungen.
Die Kombination aus kausaler Analyse und generativem Lernen bietet einen skalierbaren und zeiteffizienten Ansatz, um die Datenbanken für Wasserstoffspeicher zu erweitern und die Materialentdeckung erheblich zu beschleunigen.