Forschungsteams der MIT haben ein neues KI-Tool namens SCIGEN entwickelt, das generative Materialmodelle wie DiffCSP dazu bringt, gezielt neue Quantenmaterialien mit exotischen Eigenschaften zu entwerfen. Bisherige KI-Modelle generierten vor allem stabile, aber oft technologisch wenig aussagekräftige Materialien – eine Beschränkung, die den Fortschritt in Bereichen wie Quantencomputing behindert. Insbesondere Materialien mit spezifischen geometrischen Strukturen wie Kagome- oder Archimedean-Gitter, die für Phänomene wie Quanten-Spinflüssigkeiten oder flache Bänder verantwortlich sind, waren bisher selten. SCIGEN löst dieses Problem, indem es den Generationsprozess von Diffusionsmodellen in jeder Iteration mit benutzerdefinierten strukturellen Einschränkungen steuert. So werden nur Materialkandidaten erzeugt, die die gewünschten geometrischen Muster erfüllen. In einer Testphase generierte das System über 10 Millionen Kandidaten mit Archimedean-Gittern, davon über eine Million stabil. Aus einer Stichprobe von 26.000 Materialien fanden Simulationen an Supercomputern der Oak Ridge National Laboratory Magnetismus in 41 Prozent der Fälle. Daraus wurden zwei neue Verbindungen, TiPdBi und TiPbSb, synthetisiert – und deren Eigenschaften stimmten weitgehend mit den KI-Vorhersagen überein. Die Ergebnisse, veröffentlicht in Nature Materials, zeigen, dass KI nicht nur die Menge, sondern auch die gezielte Qualität der Materialentdeckung revolutionieren kann. Die Methode beschleunigt die Suche nach Materialien für Quantencomputing, da sie experimentellen Gruppen Tausende von Kandidaten mit hohem Potenzial liefert – eine bisher kaum erreichbare Skalierung. Experten wie Steve May von der Drexel University sehen in SCIGEN eine Schlüsseltechnologie für die Entwicklung neuer elektronischer, magnetischer und optischer Materialien. Die Forscher betonen, dass Experimente weiterhin entscheidend sind, um die Realisierbarkeit und Genauigkeit der Vorhersagen zu überprüfen. Zukünftige Versionen von SCIGEN sollen auch chemische und funktionale Einschränkungen integrieren. Die Arbeit wurde von der US-Abteilung für Energie, der National Science Foundation und Oak Ridge National Laboratory gefördert.