Wissenschaftler aus Japan haben ein neues maschinelles Lernverfahren entwickelt, um Fermi-Oberflächen elektronischer Materialien schneller und zuverlässiger zu analysieren. Das Forschungsteam der Tokyo University of Science, der Nagoya University und des Kyoto Institute of Technology konzentrierte sich dabei auf Heusler-Legierungen, insbesondere auf die Verbindung Co2MnGaxGe1-x. Diese Materialien sind für die Spintronik von großer Bedeutung, da sie Eigenschaften wie den anomalen Nernst-Effekt und ausgeprägte spinpolarisierte Elektronenzustände aufweisen, die direkt mit der Struktur der Fermi-Oberfläche verknüpft sind. Bisher wurde die Fermi-Oberfläche, also die Darstellung der elektronischen Struktur eines Festkörpers, experimentell beispielsweise mittels winkelauflöslicher Photoemissionsspektroskopie (ARPES) bestimmt. Die Auswertung dieser Daten ist jedoch traditionell zeitaufwendig, erfordert spezialisiertes Fachwissen und leidet unter Störungen durch Rauschen, die bei großen Datensätzen die manuelle Überprüfung unpraktisch machen. Um dieses Problem zu lösen, nutzten die Forscher eine Methode der Hauptkomponentenanalyse (PCA). Dieses unüberwachte Lernverfahren reduziert komplexe Datenmengen, indem es die wichtigsten Muster extrahiert und gleichzeitig den Informationsgehalt bewahrt. Der Forschungsprozess begann mit Computersimulationen basierend auf der Dichtefunktionaltheorie, um die elektronische Struktur der Legierung bei unterschiedlichen Zusammensetzungen zu berechnen. Daraus wurden Abbilder der Fermi-Oberflächen generiert, die in eindimensionale Vektoren umgewandelt und einer PCA-Analyse unterzogen wurden. Das Verfahren gelang es präzise, jene chemischen Zusammensetzungen zu identifizieren, an denen sich die Topologie der Fermi-Oberfläche drastisch verändert. Besonders deutlich wurde dies im Bereich einer Gallium-Konzentration von etwa 0,94 bis 0,95, wo die Analyse abrupte Veränderungen in den Daten erkannte, die mit dem Auftreten spezieller Knotenlinien und Extremwerten der Spinpolarisation korrelieren. Ein entscheidender Vorteil des entwickelten Ansatzes ist seine Robustheit. Selbst wenn die Eingabedaten gezielt mit starkem Rauschen oder Unschärfe versehen wurden, um reale experimentelle Bedingungen nachzuahmen, blieb das System in der Lage, die relevanten materialwissenschaftlichen Merkmale erfolgreich zu erkennen. Dies zeigt, dass künstliche Intelligenz in der Lage ist, auch in verrauschten Umgebungen verlässliche Muster zu identifizieren. Die Ergebnisse deuten darauf hin, dass solche Algorithmen die Effizienz bei der Suche nach neuen Materialien mit spezifischen elektronischen Eigenschaften erheblich steigern können. Durch die automatisierte Screening-Funktion lassen sich große Datensätze schneller auswerten. Darüber hinaus eröffnet die Fähigkeit, Ausreißer durch Differenzanalyse im PCA-Raum zu erkennen, neue Möglichkeiten für die Untersuchung anderer Materialklassen wie stark korrelierter Systeme, Weyl- oder Dirac-Halbmetalle. Professor Masato Kotsugi betont, dass solche KI-Methoden künftig breit eingesetzt werden können, um nicht nur spintronische Materialien, sondern auch topologische Stoffe und Supraleiter zu erforschen und so die Entdeckung neuartiger Technologien zu beschleunigen. Die Studie wurde im Fachjournal Scientific Reports veröffentlicht.