Ein Forschungsteam der Nationalen Universität Seoul unter der Leitung von Professor Ho Won Jang hat ein neuartiges Verfahren entwickelt, um hitzebeständige und bleifreie Dielektrika mittels künstlicher Intelligenz zu entdecken. Wie die Wissenschaftler im Fachjournal Nature Communications berichten, kombinierten sie automatisierte Text- und Datenanalyse wissenschaftlicher Publikationen mit physikalisch gestütztem maschinellem Lernen. Aus einem virtuellen Raum von rund 150 Millionen möglichen Zusammensetzungen filterte die KI gezielt aussichtsreiche Kandidaten heraus. Zwei synthetisierte Proben zeigten in Laborversuchen eine herausragende elektrische Speicherkapazität sowie hohe Hitzebeständigkeit, was den Entwicklungsprozess moderner Elektronikbauteile maßgeblich beschleunigen könnte.
- Ein Forschungsteam der Nationalen Universität Seoul analysierte 1.202 Datensätze aus 448 Fachartikeln mittels KI.
- Aus 150 Millionen theoretischen Zusammensetzungen wurden 37 Kandidaten gefiltert und zwei bleifreie Dielektrika erfolgreich synthetisiert.
- Die neuen Materialien übertrafen herkömmliches Bariumtitanat bei der Temperaturbeständigkeit und erfüllten internationale Industrie-Standards.
Die zeitintensive Suche nach temperaturstabilen Isolierstoffen
Dielektrika sind isolierende Materialien, die in vielschichtigen Keramikkondensatoren (MLCCs) zum Einsatz kommen. Sie verhindern das unmittelbare Fließen von Strom und speichern zeitgleich elektrische Ladung. Solche Komponenten befinden sich in nahezu jedem modernen Elektronikgerät, von Smartphones über Leistungselektronik bis hin zu Elektrofahrzeugen und Geräten der Luft- und Raumfahrt. Je höher die Dielektrizitätskonstante eines Stoffes ist, desto mehr elektrische Energie kann ein Bauteil bei gleichbleibender Baugröße speichern.
In der Praxis stehen Materialwissenschaftler jedoch vor einer Herausforderung: Elektronische Bauteile müssen auch bei stark schwankenden oder sehr hohen Temperaturen zuverlässig funktionieren. Die Suche nach geeigneten bleifreien Kombinationen war bislang extrem aufwendig. Da unzählige chemische Elemente in unterschiedlichen Mischungsverhältnissen kombiniert werden können, glich die bisherige Forschung weitgehend einem kostspieligen Versuch-und-Irrtum-Verfahren. Zudem lagen relevante Forschungsdaten verstreut in Texten, Tabellen und Diagrammen zahlreicher Einzelstudien vor.
Von 150 Millionen Möglichkeiten zu zwei getesteten Proben
Um diesen Suchprozess abzukürzen, entwickelte das Team um Erstautor Kwanwoo Song sowie die Forscher Youngmin Kim und Jaehyun Kim ein KI-gestütztes Framework. Große Sprachmodelle werteten Materialzusammensetzungen und Prozessbedingungen aus 448 Fachpublikationen aus, während Diagramme in numerische Daten umgewandelt wurden, um temperaturabhängige Eigenschaften zu erfassen. Ergänzt durch 22 physikalische Deskriptoren prognostizierten 30 voneinander unabhängige Maschinenlernmodelle die Leistungsfähigkeit neuer Materialkombinationen.
Durch die schrittweise Anwendung physikalischer und chemischer Leistungsvorgaben reduzierte das System ein Suchfeld von rund 150 Millionen virtuellen Zusammensetzungen auf lediglich 37 aussichtsreiche Kandidaten.
Schließlich wählten die Forschenden zwei Zusammensetzungen aus und ersetzten darin einen geringen Anteil durch ein beziehungsweise zwei Molprozent Zinn (Sn). Die anschließenden Experimente bestätigten die Berechnungen: Die synthetisierten Proben wiesen bei Raumtemperatur hohe Dielektrizitätskonstanten von 3.422 und 3.307 auf. Zugleich zeigten sie im Vergleich zum weit verbreiteten Standardmaterial Bariumtitanat (BaTiO₃) eine deutlich stabilere Leistung über breitere Temperaturbereiche. Beide Proben erfüllten die Anforderungen der internationalen Industriestandards X5R, X6R und X7R, die eine maximale Kapazitätsabweichung von ±15 Prozent bei Temperaturen von bis zu 125 Grad Celsius vorgeben.
Datenbasierte Ansätze verändern die Materialforschung
Für die Weiterentwicklung elektronischer Komponenten bedeutet der Einsatz datenbasierter Design-Ansätze einen grundlegenden Wandel. Anstatt Legierungen und Keramiken mühsam im Labor anzumischen und einzeln zu testen, erlaubt die Kombination aus automatisierter Literaturanalyse und physikalischen Modellierungen eine gezielte Vorauswahl im Computer.
Die erfolgreiche Synthese der bleifreien Dielektrika demonstriert, wie datengestützte KI-Systeme die Entwicklung robuster Bauteile für Hochtemperaturumgebungen beschleunigen können.
Der Übergang von der empirischen Erkundung zur datengestützten Vorhersage könnte künftig auch in anderen Bereichen der Materialwissenschaft angewendet werden, um gezielt Werkstoffe mit maßgeschneiderten Eigenschaften zu entwickeln.
Welche Chancen sehen Sie in der Nutzung von KI-Modellen für die Entwicklung neuer Werkstoffe? Teilen Sie Ihre Meinung in den Kommentaren!
