![\"\"](\"https:\/\/www.l3s.de\/wp-content\/uploads\/2022\/11\/image-1024x422.png\")
<\/figure>\n\n\n\nDie Bestimmung der elektronischen, magnetischen und elastischen Eigenschaften eines Kristalls ist oft zeitaufw\u00e4ndig und teuer, da sie umfangreiche Experimente erfordert. Ein solches Verfahren ist daher nicht geeignet, aus tausenden von Kristallen das f\u00fcr eine bestimmte Aufgabe am besten geeignete Material herauszufiltern. Die n\u00e4chstbeste Methode besteht darin, statt expliziter Experimente die Eigenschaften mit angemessener Genauigkeit durch eine theoretische Methode wie die Dichtefunktionaltheorie, auch DFT genannt, zu berechnen. Diese Methode ist jedoch besonders rechenintensiv.<\/p>\n\n\n\n
Um sowohl das Problem der kostspieligen Experimente als auch das der rechenintensiven theoretischen Schätzung zu lösen, werden Methoden des maschinellen Lernens (ML) zunehmend zu einer beliebten Alternative. Maschinelle Lernmethoden sind schnell und erfordern keine kostspieligen Berechnungen. Die Algorithmen des maschinellen Lernens sind jedoch datenintensiv, das heißt, sie müssen mit einer großen Menge Daten der Ausgangsmaterialien trainiert werden, die mit Eigenschaftskennzeichnungen versehen sind, um Eigenschaften neuer Kristalle genau vorhersagen zu können. Das Problem: Solche gekennzeichneten Daten sind nicht ausreichend vorhanden. Darüber hinaus handelt es sich bei den verfügbaren Daten nicht um experimentell abgeleitete, sondern um theoretisch berechnete Eigenschaften, so dass das Training dieser Daten zu Verzerrungen und Ungenauigkeiten im System führen kann. Mit diesen Unzulänglichkeiten im Hinterkopf wurde CrysXPP <\/em>entwickelt, ein maschinelles Lernsystem, das eine schnelle Vorhersage verschiedener Materialeigenschaften mit hoher Präzision ermöglicht.<\/p>\n\n\n\n Während die mit Eigenschaften versehenen Daten knapp sind, sind die einfachen strukturellen Informationen der Kristalle in Hülle und Fülle vorhanden. Das macht sich CrysXPP<\/em> zunutze. Denn für die spezifischen Eigenschaften des Kristalls sind auch die einzelnen Atome und ihre Verflechtung in der Kristallstruktur verantwortlich. CrysXPP<\/em> wandelt solche Kristall-3D-Strukturinformationen in 2D-Graphen um und erlernt zunächst deren strukturelle Eigenschaften. Dann wird es mit der geringen Menge an verfügbaren Daten mit Eigenschaftskennzeichnungen trainiert. Die erste Stufe hilft bei der Erfassung aller wichtigen strukturellen und chemischen Informationen, so dass nur eine kleine Menge an markierten Daten für die Eigenschaftsvorhersage ausreicht, um eine genaue Vorhersage zu treffen. Die Leistung ist so gut, dass sie den Nachteil, mit ungenauen Datensätzen trainiert zu werden, ausgleichen kann.<\/p>\n\n\n\n Ein weiterer Mangel von ML-Modellen ist die Interpretierbarkeit, das heißt, sie können im Allgemeinen keine Gründe für die Manifestation bestimmter kristalliner Eigenschaften liefern, was ihre Verwendung in der Praxis unattraktiv und wenig überzeugend macht. CrysXPP<\/em> enthält einen Selektor, der festlegt, welche Merkmale der Atome für die Ausprägung einer bestimmten Eigenschaft des Kristalls verantwortlich sind.<\/p>\n\n\n\n Den Artikel sowie Pr\u00e4sentationsfolien finden Sie\u00a0hier<\/a><\/strong>.<\/p>\n\n\n\n