Ein Material für eine Batterie zu suchen, beginnt mit einer ungewöhnlichen Übersetzungsaufgabe: Menschen beschreiben, was der Stoff können soll. In einer Datenbank stehen dagegen Atomsorten und ihre räumlichen Positionen. Ein vom MIT vorgestelltes KI-Modell namens CLaC bringt beides in einen gemeinsamen Suchraum. Dafür helfen ihm eigens erzeugte Beschreibungen, die an bekannte Materialeigenschaften gebunden sind. So wird aus einer sprachlichen Anfrage eine Suche nach passenden Kristallstrukturen.
Für die Materialforschung ist das interessant, weil eine chemische Formel nur einen Teil der Geschichte erzählt. Auch die Anordnung der Atome bestimmt, welche Eigenschaften ein Festkörper besitzt. Das MIT stellte den Ansatz am 18. Oktober vor. Die zugrunde liegende Arbeit erschien bereits am 26. August in Nature Communications; die endgültige Verlagsfassung ist auf den 28. September datiert.
Eine gemeinsame Landkarte für Atome und Sprache
Man kann sich die Aufgabe wie die Suche nach einem Haus vorstellen: Die Anfrage lautet „hell und gut gedämmt“, die Unterlagen zeigen aber Grundrisse und Baustoffe. Ein brauchbares Suchsystem muss die Verbindung zwischen beidem lernen. Bei CLaC stehen anstelle der Grundrisse räumliche Kristallgraphen. Ihre Knoten repräsentieren Atome, ihre Verbindungen beschreiben Nachbarschaften.
Das Modell besitzt zwei Verarbeitungszweige. Einer übersetzt die Kristallstruktur in eine Zahlenrepräsentation, der andere den Text. Beim kontrastiven Lernen werden passende Struktur-Text-Paare einander angenähert und unpassende voneinander entfernt. Im entstehenden Suchraum sollen eine Eigenschaftsbeschreibung und die dazugehörigen Strukturen nahe beieinanderliegen. Eine spätere Anfrage lässt sich dann mit den bereits berechneten Repräsentationen der Materialien vergleichen.
Warum zusätzliche Fachtexte allein nicht genügen
Das Forschungsteam um Yang Jeong Park verglich zwei Varianten: CLaC-Paper lernte mit Texten aus wissenschaftlichen Veröffentlichungen, CLaC-Synthetic mit künstlich erzeugten Beschreibungen. Diese synthetischen Texte stützen sich auf Materialdaten und berechnete Eigenschaften. Sie sollen die Verbindung zwischen Struktur, Verhalten und möglicher Anwendung ausdrücken.
Der Unterschied ist wichtig. Häufig untersuchte Materialien hinterlassen viele Fachartikel. Selten untersuchte Strukturen können dagegen in einer Rechendatenbank vorhanden sein, ohne vergleichbar ausführlich beschrieben zu werden. Wer ausschließlich Literatur nutzt, übernimmt dadurch auch deren ungleiche Aufmerksamkeit. Eigenschaftsgebundene Beschreibungen können mehr der vorhandenen Strukturen sprachlich erschließen.
In den untersuchten Aufgaben gelang der synthetischen Variante die Ausrichtung von Sprache und Struktur besser. Die Studie zeigt zugleich deutliche Unterschiede zwischen den Aufgaben: Beim Zuordnen der elementaren Zusammensetzung erreichte sie im Auswahltest rund 95 Prozent, bei der Klassifikation des Kristallsystems rund 34 Prozent. Die genaue räumliche Symmetrie bleibt für das Modell also erheblich schwieriger als die Zusammensetzung. Ein einziger Genauigkeitswert würde diese Unterschiede verdecken.
Der Akku-Test zeigt, worauf die Suchfrage ankommt
Besonders anschaulich ist die Suche nach Kandidaten für feste Batterieelektrolyte. Ein solcher Stoff soll Lithiumionen transportieren und den Elektronenfluss unterdrücken. Für Letzteres ist unter anderem eine ausreichend große elektronische Bandlücke interessant: Sie beschreibt den Energieabstand, den Elektronen überwinden müssen, um in leitende Zustände zu gelangen.
Im verwendeten Beschreibungsdatensatz fehlten jedoch Angaben zur Ionenleitfähigkeit. Das Team suchte deshalb anhand einer großen Bandlücke. Die 30 höchstplatzierten Treffer enthielten sämtlich Lithium. Darunter waren Stoffe, die andere Arbeiten bereits als interessante Elektrolytkandidaten beschrieben oder als dünnen Elektrolytfilm hergestellt hatten. Das Beispiel zeigt, wie die Suche bekannte Zusammenhänge wiederfinden kann und wie stark ihr Ergebnis von den verfügbaren Eigenschaftsdaten abhängt.
Für die nächste experimentelle Auswahl müssen Forschende gerade den Ionentransport prüfen. Hinzu kommen Fragen zur Herstellung und zum Verhalten im Materialverbund. CLaC ordnet zunächst kristalline Strukturen; reale Werkstoffe enthalten oft Defekte und viele unterschiedlich orientierte Kristallkörner. Solche Strukturen weiter einzubeziehen, nennt das Team als Entwicklungsaufgabe.
Der Ansatz setzt damit an einer konkreten Stelle der Materialsuche an: Er verbindet eine verständlich formulierte Anforderung mit einer räumlich beschriebenen Stoffwelt. Wie hilfreich die Trefferliste ist, entscheidet sich daran, welche Eigenschaften die Trainingsbeschreibungen tatsächlich erfassen.
Quellen
- Zach Winn / MIT News: Giving AI a “crystal clear” view of the materials world, 18. Oktober 2026.
- Yang Jeong Park und weitere, Nature Communications: Scaling multimodal materials representation learning with synthetic narratives, 26. August 2026; Version of record 28. September 2026.
Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
