Den fehlenden Wasserstoffatomen auf der Spur

Für die Simulation von Materialeigenschaften nutzen Forschende in Datenbanken hinterlegte Kristallstrukturen von Materialien, in denen jedoch häufig die Positionen der Wasserstoffatome fehlen. Ein wissenschaftliches Team um Giovanni Pizzi vom Zentrum für Computergestützte Wissenschaften, Theorie und Daten am Paul Scherrer Institut PSI hat nun gemeinsam mit Forschenden der italienischen Universitäten Parma und Modena eine künstliche Intelligenz darauf trainiert, diese Positionen sehr schnell und effizient zu rekonstruieren.
Während künstliche Intelligenz häufig zur Bildgenerierung eingesetzt wird, nutzt die Forschung für wissenschaftliche Anwendungen spezialisierte Modelle wie das von Microsoft entwickelte MatterGen, das aus wenigen Angaben zu Atomsorten und Mengenverhältnissen komplexe Kristallstrukturen für Computersimulationen generiert. Das Team um Pizzi löst mit seiner neuen Methode XtalPaint nun das konkrete Problem der fehlenden Atompositionen in ansonsten bekannten Strukturen, indem es einen Ansatz aus der Bildbearbeitung und dem maschinellen Sehen verwendet.

Durch diese Methode lassen sich experimentell bekannte, aber bisher theoretisch unzugängliche Materialien erstmals oder deutlich präziser simulieren. Dies ermöglicht es, Materialien für unterschiedliche Anwendungen – von der effizienten Wasserstoffspeicherung bis hin zur Entwicklung neuer Batterien oder potenzieller Supraleiter – treffgenauer zu erforschen.

„Unsichtbare“ Wasserstoffatome

„Für unsere Simulationen von Materialeigenschaften sind wir auf die Informationen in Datenbanken angewiesen, die uns sagen, wo sich welche Atome in einer Kristallstruktur befinden“, sagt Timo Reents. Allerdings stellt das Element Wasserstoff dabei eine Herausforderung dar, da es als häufiger Teil von Kristallgittern mit traditionellen Verfahren der Röntgenbeugung experimentell nur schwer nachzuweisen ist. Dementsprechend ungenau oder lückenhaft sind die Darstellungen der Wasserstoffpositionen in den Visualisierungen.

Da eine genaue Kenntnis über die Atompositionen jedoch unerlässlich für Computersimulationen ist, mit denen Forschende Eigenschaften wie elektrische oder thermische Leitfähigkeit voraussagen, schränkt dieser Mangel die Forschung massiv ein. „Wenn die Informationen zu den Wasserstoffatomen fehlen, ist das ein Problem“, so Giovanni Pizzi. „Oft können wir mehrere Tausend potenziell interessante Materialien genau aus diesem Grund nicht für unsere Simulationen verwenden.“ An dieser Stelle soll nun eine künstliche Intelligenz Abhilfe schaffen.

Wenn beim Hundefoto eine Pfote fehlt

Beim maschinellen Sehen kommen sogenannte Diffusionsmodelle zum Einsatz, wobei das Ergänzen fehlender Bildinformationen – wie einer verdeckten Hundepfote auf einem Foto – als „Inpainting“ bezeichnet wird. Während frühere Ansätze dafür meist das gesamte Bild durch absichtliches Verrauschen überlagerten und anschließend komplett rekonstruierten, ist es inzwischen Standard, die Rauschstärke je nach Bildbereich zu variieren und nur die unbekannten Regionen stark zu verrauschen. Was in der Bildverarbeitung bereits etabliert ist, fehlte bei der Rekonstruktion von Atompositionen bislang.

Darum hat das Team um Giovanni Pizzi basierend auf MatterGen von Microsoft ein angepasstes Open-Source-Modell namens XtalPaint entwickelt. „Damit vereinen wir die Vorzüge des modernen maschinellen Sehens und die Rekonstruktion von Kristallen: Es werden nur die unbekannten Positionen im Kristall verrauscht – die bekannten Positionen bleiben während des Prozesses weitgehend unverändert“, erklärt Timo Reents. Genau wie beim modernen Inpainting bietet dieses Vorgehen eine deutlich höhere Effizienz: „Bei der schrittweisen Rekonstruktion kann sich XtalPaint von Anfang an am vorhandenen Kristall orientieren“, so Reents. „Das erhöht die Erfolgsquote und spart zudem Rechenleistung.“

Auch auf Lithium und Natrium anwendbar

Zur Überprüfung ihrer Methode entfernten die Forschenden bei bereits bekannten Kristallstrukturen die Positionen der Wasserstoffatome und ließen diese durch XtalPaint rekonstruieren. Dabei ermittelte die KI in 87 Prozent der Fälle die ursprünglichen Positionen und in weiteren zehn Prozent sogar energetisch noch stabilere Konfigurationen. „Insgesamt bedeutet das für XtalPaint eine Erfolgsquote von 97 Prozent“, freut sich Reents. Das Team um Pizzi fand durch den Abgleich zudem bereits Fehler in Datenbanken, die bei der Übertragung aus wissenschaftlichen Originalveröffentlichungen entstanden waren.

„Unsere Methode können wir nun beispielsweise benutzen, um fehlende Wasserstoffpositionen in Datenbanken zu ergänzen“, sagt Pizzi. Da sich das Verfahren nicht auf Wasserstoff beschränkt, lässt es sich künftig auch auf Elemente wie Lithium oder Natrium anwenden, die für die Entwicklung neuer Batterien entscheidend sind.

Quelle

Paul Scherrer Institut PSI (06/2026)