Forschende der Nationaluniversität Singapur haben ein neues KI-Verfahren entwickelt, das makroskopisches Verhalten komplexer Materialien direkt aus mikroskopischen Daten ableitet. Unter der Leitung von assoziierten Professor Qianxiao Li aus der Fakultät für Mathematik adressieren die Arbeiten das fundamentale Rechenproblem der Materialwissenschaft: Während Materialeigenschaften aus der Wechselwirkung unzähliger Atome entstehen, ist die exakte Simulation jedes einzelnen Teilchens über längere Zeiträume selbst auf Supercomputern kaum möglich. Das neue KI-Modell umgeht diese Herausforderung, indem es automatisch verborgene Variable identifiziert, die das kollektive Systemverhalten zusammenfassen und deren zeitliche Entwicklung vorhersagen. Die Ergebnisse wurden kürzlich in Physical Review Materials sowie auf der International Conference on Machine Learning 2026 und im Preprint-Server arXiv vorgelegt. Das Forschungsprojekt kombiniert zwei methodische Durchbrüche. Erstens ermöglicht das Verfahren die präzise Vorhersage sehr großer stochastischer Systeme ausschließlich auf Basis von Simulationen deutlich kleinerer Einheiten. Anstatt die Kräfte auf alle Atome eines massiven Systems zu berechnen, lernt die KI aus den Kräften eines kleinen Teilsystems und leitet daraus das Gesamtergebnis ab. Die Mathematiker bewiesen formal die Genauigkeit dieser Methode und validierten sie an biologischen Populationsmodellen sowie an simulierten Legierungen mit über 500.000 Atomen. Zweitens bewältigt die KI ungeordnete Partikelsysteme wie Fluide, Polymerketten oder staubartige Anordnungen. Statt einzelner Teilchenpfade zu verfolgen, analysiert das Modell die globale Verteilung der Komponenten. Dadurch bleibt das Ergebnis unabhängig von der numerischen Beschriftung der Partikel invariant, was typische Schwächen herkömmlicher neuronaler Architekturen eliminiert. Ein zentraler Vorteil liegt in der Skalierbarkeit. Die abgeleiteten makroskopischen Modelle lassen sich nahtlos auf Größenordnungen übertragen, die weit jenseits der ursprünglichen Trainingsdaten liegen. Dies eröffnet die Möglichkeit, realistische Materialstrukturen auf bisher unzugänglichen Skalen zu untersuchen, ohne die physikalische Konsistenz zu opfern. Professor Li betont, dass das Ziel darin bestehe, KI-gestützte Werkzeuge zu schaffen, die emergente Gesetzmäßigkeiten automatisch entdecken und damit die Erforschung komplexer physikalischer Systeme mit drastisch gesenkten Rechenkosten bei gleichzeitig hoher physikalischer Treffsicherheit ermöglichen. Der weitere Forschungsplan sieht die Kopplung der Algorithmen mit experimentellen Messdaten sowie fortgeschrittenen mesoskopischen Simulationen vor. Langfristig zielt das Projekt auf die Entwicklung von KI-Tools für die schnelle Verhaltensvorhersage von Materialien ab, um den Entwicklungsprozess neuer Werkstoffe für Energiespeicher, Hochleistungselektronik und industrielle Fertigungsschritte signifikant zu beschleunigen.