Forscher der Massachusetts Institute of Technology haben ein neues maschinelles Lernverfahren entwickelt, das die Simulation chemisch ungeordneter metallischer Legierungen erheblich verbessert. Die Ergebnisse der Studie, veröffentlicht in Science Advances, adressieren ein langjähriges Problem der Materialwissenschaft: Herkömmliche Simulationsmethoden stoßen bei komplexen Atomarrangements an Grenzen, was die Entwicklung neuer Werkstoffe für Luftfahrt, Energietechnik und Halbleiter bislang mit hohen Kosten und langen Entwicklungszeiten verbindet. Unter der Leitung von Seniorautor Rodrigo Freitas, Professor für Materialwissenschaft und -technik, sowie Erstautor Killian Sheriff haben die Wissenschaftler ein Modell geschaffen, das diese Hürde durch optimierte Trainingsdatensätze überwindet. Der Kern des Ansatzes liegt in der gezielten Generierung repräsentativer Trainingsdaten. Bisherige Verfahren basierten oft auf rechenintensiven Methoden, die zehntausende Stunden erforderten und dennoch nur begrenzt auf veränderte Materialzusammensetzungen übertragbar waren. Die Forscher wandten informationstheoretische Konzepte an, um Redundanzen in den atomaren Umgebungen zu eliminieren. Durch das gezielte Austauschen von Atomen in den Proben wurden vielfältige lokale chemische Konfigurationen erfasst, die das maschinelle Lernmodell zuvor nicht ausreichend kennengelernt hätte. Diese datenoptimierte Trainingsstrategie ermöglicht es, die Wechselwirkungen zwischen Atomen mit hoher chemischer Treue abzubilden, ohne den rechnerischen Overhead herkömmlicher Simulationen. In Tests übertrafen die trainierten Modelle selbst deutlich größere Architekturansätze führender Technologieunternehmen in der Genauigkeit. Sie prognostizieren Materialeigenschaften und Phasendiagramme mit einer Präzision, die experimentellen Daten entspricht. Phasendiagramme sind entscheidend für die industrielle Verarbeitung, da sie aufzeigen, welche strukturellen Zustände einer Legierung unter spezifischen Temperatur- und Zusammensetzungsbedingungen stabil sind. Durch die zuverlässige Vorhersage dieser Phasen verschiebt sich der Fokus von der teuren physischen Erprobung hin zur virtuellen Entwicklung, was den Innovationszyklus drastisch beschleunigt. Der Ansatz ist branchenübergreifend anwendbar und nicht auf eine spezifische Legierungsklasse beschränkt. Die Forscher planen bereits die Erweiterung des Modells auf Halbleiter und andere Werkstoffgruppen. Aktuelle Forschungsarbeiten konzentrieren sich darauf, wie sich gezielte Zusammensetzungsänderungen auf mechanische Festigkeit und Strahlungsresistenz auswirken, um Materialien für extreme Umgebungen zu designen. Parallel wird an der Integration der Software in etablierte Ingenieurwerkzeuge gearbeitet, um die Simulationen direkt in industrielle Entwicklungsprozesse zu überführen. Die Studie markiert damit einen signifikanten Schritt hin zu effizientem, datengetriebenem Materialdesign.