Forscher um Professor Jun-Hee Na von der Chungnam National University in Südkorea haben ein künstliches Intelligenz-Modell entwickelt, das die Gestaltung von Materialien auf Basis von topologischen Defekten erheblich beschleunigt. Traditionelle numerische Simulationen zur Vorhersage stabiler Defektstrukturen in nematicen Flüssigkristallen dauern oft Stunden, während das neue tiefgreifende Lernmodell Ergebnisse in Millisekunden liefert. Die Methode nutzt eine 3D-U-Net-Architektur, eine Art convolutionaler neuronalen Netzwerke, die sich besonders für die Analyse räumlicher Daten eignet. Das Modell verarbeitet vorgegebene Randbedingungen – wie etwa die Ausrichtung der Moleküle an den Rändern eines Materials – und berechnet direkt die gesamte molekulare Ausrichtungsstruktur inklusive Position und Form von Defekten. Es wurde auf umfangreichen Simulationsdaten trainiert, die eine Vielzahl von möglichen Anordnungen abdecken, und kann anschließend auch neue, bisher nicht gesehene Konfigurationen präzise vorhersagen – mit Übereinstimmung sowohl mit Simulationen als auch experimentellen Beobachtungen. Im Gegensatz zu klassischen Ansätzen, die auf expliziten physikalischen Gleichungen wie der Landau–de Gennes-Theorie basieren, lernt das Netzwerk die zugrundeliegenden physikalischen Zusammenhänge direkt aus den Daten. Dadurch ist es in der Lage, komplexe Phänomene wie die Verschmelzung, Spaltung oder Umordnung von höherordentlichen topologischen Defekten zu erfassen. Diese Fähigkeit eröffnet neue Wege für die inverse Materialgestaltung: Statt durch zeitaufwendige Probieren und Testen neue Materialien zu finden, können Forscher nun gezielt definierte Defektmuster vorgeben und das Modell erzeugt passende Materialstrukturen. Dies ist besonders relevant für die Entwicklung fortschrittlicher optischer Geräte wie holographische Displays, VR- und AR-Systeme, adaptive Optik oder intelligente Fenster, die sich an Umgebungsbedingungen anpassen. Die Methode stellt einen Paradigmenwechsel in der Materialforschung dar, indem sie die Entwicklung neuer Materialien von der Simulation auf die KI-Prädiktion verschiebt. Sie ermöglicht die schnelle Exploration riesiger Designräume, die mit klassischen Methoden kaum zugänglich wären. Experten sehen darin eine Schlüsseltechnologie für die nächste Generation smarter Materialien. Die Arbeit wurde in der Fachzeitschrift Small veröffentlicht und unterstreicht die wachsende Rolle von KI in der Materialwissenschaft. Die Chungnam National University positioniert sich damit als Pionier in der KI-gestützten Materialentwicklung, wobei das Modell als skalierbare Plattform für verschiedene Anwendungen in der Optik, Nanotechnologie und Funktionsmaterialien dienen könnte.