Forschungsteams von der University of New Mexico und dem Los Alamos National Laboratory haben ein neuartiges künstliches Intelligenz-basiertes Rechenframework namens THOR (Tensors for High-dimensional Object Representation) entwickelt, das eine seit über hundert Jahren bestehende Herausforderung der statistischen Physik löst: die exakte Berechnung des konfigurationalen Integrals. Dieses Integral ist zentral für die Bestimmung thermodynamischer und mechanischer Materialeigenschaften, da es alle möglichen Anordnungen von Atomen in einem System berücksichtigt. Traditionell war diese Berechnung aufgrund der „Katastrophe der Dimensionen“ – der exponentiellen Zunahme der Komplexität mit steigender Teilchenanzahl – praktisch unmöglich. Bislang wurden Näherungsverfahren wie Molekulardynamik oder Monte-Carlo-Simulationen eingesetzt, die jedoch enorme Rechenzeiten erfordern und oft ungenaue Ergebnisse liefern. Das THOR-System nutzt tensornetz-basierte Algorithmen, um die hochdimensionalen Datenstrukturen des Integrals effizient zu komprimieren und zu verarbeiten. Mittels einer speziellen Methode namens „Tensor-Train-Cross-Interpolation“ wird das Integralkern in eine Kette kleinerer, miteinander verbundener Komponenten zerlegt. Dabei werden kristalline Symmetrien automatisch erkannt und ausgenutzt, was die Rechenzeit drastisch reduziert. Anstatt Wochen auf Supercomputern zu verbringen, berechnet THOR das konfigurationale Integral in Sekunden – mit hoher Genauigkeit. Die Methode wurde erfolgreich an Metallen wie Kupfer, edlen Gasen wie Argon unter hohem Druck und bei der Festkörper-Phasenumwandlung von Zinn getestet und lieferte Ergebnisse, die mit den besten bestehenden Simulationen übereinstimmen, jedoch mehr als 400-mal schneller. Ein entscheidender Vorteil ist die nahtlose Integration mit maschinellen Lernmodellen für atomare Wechselwirkungen (MLIPs), die die Dynamik und Interaktionen von Atomen präzise beschreiben. Dadurch wird THOR zu einem skalierbaren Werkzeug für die Materialwissenschaft, Physik und Chemie, das auch unter extremen Bedingungen wie hohem Druck oder Temperatur anwendbar ist. Laut Duc Truong, Erstautor der Studie in Physical Review Materials, markiert die Methode einen Paradigmenwechsel: „Wir ersetzen jahrhundertealte Näherungen durch eine erste-Prinzipien-Berechnung.“ Boian Alexandrov, Senior AI-Wissenschaftler am Los Alamos National Laboratory, betont, dass die Methode nicht nur die Effizienz revolutioniert, sondern auch das Verständnis der statistischen Mechanik vertieft – mit Auswirkungen auf Bereiche wie Metallurgie und Materialentwicklung. Die Forscher haben das THOR-Projekt öffentlich auf GitHub bereitgestellt, was die breite Anwendung und Weiterentwicklung durch die wissenschaftliche Gemeinschaft fördert. Experten schätzen die Bedeutung des Durchbruchs als Meilenstein in der Materialforschung: Die Kombination aus Tensor-Netzwerken, KI und exakter Physik eröffnet neue Möglichkeiten, komplexe Systeme schnell und präzise zu simulieren. THOR könnte zukünftig die Entwicklung neuer Materialien, von Hochleistungsschwermetallen bis zu Quantenmaterialien, erheblich beschleunigen und die Grundlagen der statistischen Physik neu definieren.