Allzweck-KI-Modelle beschleunigen die Suche nach neuen Materialien

Large Language Models (LLMs) haben aufgrund ihrer Fähigkeit, komplexe sprachliche Aufgaben automatisiert zu lösen, in Wissenschaft und Industrie weite Verbreitung gefunden. Dennoch hält sich die Annahme, dass spezialisierte Systeme oder menschliche Forschende bei ausreichenden Ressourcen stets überlegene Ergebnisse liefern. Wissenschaftler*innen der Theorieabteilung am Fritz-Haber-Institut der Max-Planck-Gesellschaft zeigen nun, dass universell einsetzbare Large Language Models (LLMs) den chemischen Raum effizient erkunden und bei der Suche nach stabilen Materialien mit niedriger Energie spezialisierte generative Modelle übertreffen können.

Grenzen domänenspezifischer Ansätze und das Potenzial von Prompt-Engineering

Die systematische Identifikation neuartiger Werkstoffe erfordert die Navigation in einem immensen chemischen Konfigurationsraum, der experimentell nicht rasterbar ist. Klassische generative KI-Ansätze nutzen hierfür maßgeschneiderte Architekturen, die mit domänenspezifischen Datensätzen aufwendig trainiert werden müssen. Universelle Sprachmodelle bieten hierzu eine methodische Alternative: Mittels gezieltem Prompt-Engineering lassen sich chemische Formeln direkt generieren, ohne dass ein explizites Re-Training des Modells für die Materialwissenschaften erforderlich ist.

Methodik: In-Context Learning zur Optimierung stabiler Kristallstrukturen

Ob allgemeine LLMs bezüglich ihrer Validität und Ausbeute mit spezialisierten Generatoren konkurrieren können, untersuchten die Forschenden am Beispiel der Identifikation thermodynamisch stabiler, energiearmer anorganischer Verbindungen. Über einen iterativen Prompt-Antwort-Zyklus verfeinerten die Modelle ihre Materialvorschläge auf Basis vorheriger Sequenzen. Dieses In-Context Learning ermöglichte eine dynamische Adaption der Generierungsparameter während des Prozesses, ohne Modifikationen an den Modellgewichten vorzunehmen.

Leistungsvergleich am Modellsystem der Elpasolite

Im Benchmark an der Materialklasse der Elpasolite erreichte das leistungsfähigste LLM eine durchschnittliche Trefferquote von 96 % für energiearme Zielstrukturen innerhalb des gewählten Eigenschaftsfensters. Damit erzielte das allgemeine Sprachmodell eine höhere Abdeckung des chemischen Raums als die bisher etablierten, domänenspezifischen generativen Modellarchitekturen.
Die Befunde widerlegen die These, dass universelle Modellarchitekturen in Fachdomänen zwangsläufig Leistungseinbußen aufweisen. Durch die effiziente Durchmusterung breiter chemischer Räume etablieren sich LLMs als leistungsfähige Werkzeuge für das Inverse Design und eröffnen neue Wege für das datengetriebene Materialscreening.

Quelle

Fritz-Haber-Institut (10/2026)