Ein Forschungsteam des Institute of Science Tokyo und der Tohoku-Universität hat ein neues Verfahren entwickelt, um künstliche Intelligenz in der Materialforschung transparent und interpretierbar zu machen. Die Studie, veröffentlicht in Advanced Intelligent Discovery, adressiert das Black-Box-Problem bei KI-Modellen, die zwar präzise Materialvorhersagen treffen, deren Entscheidungslogik jedoch intransparent bleibt. Dadurch bleiben kausale Zusammenhänge zwischen Atomstruktur und Materialeigenschaften oft unklar, was die gezielte Entwicklung neuer Werkstoffe erschwert. Der methodische Ansatz kombiniert ein atomares Graph-Neuralnetzwerk (ALIGNN) mit einer hierarchischen Clusteranalyse. Das Trainingsdatenset umfasst 2.681 Metalloxide, Chalkogenide und verwandte Verbindungen. Das KI-Modell lernt ausschließlich aus reinen Atomstrukturdaten, um optische Absorptionsspektren vorherzusagen. Durch die Analyse der internen Netzwerklayer werden die vom Algorithmus erkannten Schlüsselmerkmale extrahiert. Anschließend gruppieren diese die Materialien nach strukturellen und spektralen Ähnlichkeiten. Die Analyse zeigt, dass das Modell selbstständig komplexe Zusammenhänge zwischen kristallographischen Parametern wie Elementzusammensetzung, Koordinationsumgebungen, Bindungslängen und Bindungswinkeln sowie den daraus resultierenden Licht-Materie-Wechselwirkungen abbildet. Besonders bemerkenswert ist, dass der Prozess ohne explizite Eingabe von Oxidationszuständen oder elektronischen Konfigurationen auskommt. Das KI-System lernt diese physikalisch-chemischen Abhängigkeiten eigenständig aus den Rohdaten. Die entstehenden Materialcluster ermöglichen es Forschenden, gezielt nach gemeinsamen strukturellen Ursachen für spezifische spektrale Merkmale zu suchen. Dies schafft eine fundierte Grundlage für das rationale Design neuartiger Werkstoffe, insbesondere in Bereichen wie Pigmenten, Farbstoffen, Solarzellen und Photodetektoren. Da das Verfahren auf spektralen Daten basiert, ist es prinzipiell auf eine Vielzahl weiterer Materialeigenschaften übertragbar. Dazu zählen etwa das Verhalten unter extremen Temperaturen oder Drücken. Das Projekt wurde von Assistenzprofessor Akira Takahashi und Professor Fumiyasu Oba vom Labor für Material- und Strukturwissenschaften der Science Tokyo geleitet. Koautoreuren sind der damalige Masterstudent Arata Takamatsu und Professor Yu Kumagai vom Institut für Materialforschung der Tohoku-Universität. Die Wissenschaftler betonen, dass die entwickelte Methodik ein allgemeingültiges Werkzeug zur Extraktion physikalisch relevanter Erkenntnisse aus komplexen Maschinel-Lernen-Modellen darstellt. Sie erweitert das Spektrum datengetriebener Materialforschung erheblich und verringert die Abhängigkeit von konventionellen Trial-and-Error-Ansätzen. Durch die Verbindung von KI mit strukturierter Clusteranalyse wird ein neuer Standard für interpretierbare Vorhersagemodelle in den Materialwissenschaften gesetzt. Das Verfahren beschleunigt nicht nur die Identifikation vielversprechender Kandidaten, sondern liefert auch tiefe Einblicke in die fundamentalen Mechanismen, die Materialeigenschaften determinieren.