Definition Was ist M3GNet?

Anbieter zum Thema

Vogel IT-Medien GmbH

Disy Informationssysteme GmbH

Confluent Germany GmbH

M3GNet ist ein an der University of California, San Diego, entwickelter KI-Algorithmus, mit dem sich die Strukturen und Eigenschaften von bereits existierenden oder noch neu zu synthetisierenden Materialien vorhersagen lassen. Mithilfe des Algorithmus wurde die Datenbank matterverse.ai erstellt. Sie enthält Eigenschaften von rund 31 Millionen Materialien, die noch nicht synthetisiert wurden. M3GNet funktioniert im gesamten Periodensystem der chemischen Elemente.

M3GNet ist die Bezeichnung eines an der University of California, San Diego, entwickelten KI-Algorithmus. Maßgeblich verantwortlich für die Entwicklung waren Chi Chen and Shyue Ping Ong vom Fachbereich Nano-Engineering der Universität. Die Arbeit wurde 2022 im Paper „A Universal Graph Deep Learning Interatomic Potential for the Periodic Table“ veröffentlicht. Mithilfe des Algorithmus‘ lassen sich die Strukturen und Eigenschaften von bereits existierenden oder noch neu zu synthetisierenden Materialien vorhersagen. Entstanden ist der Algorithmus auf der Suche nach sicheren Materialien mit hoher Energiedichte für Elektroden und Elektrolyte für wiederaufladbare Lithium-Ionen-Akkus.

M3GNet ist universell für alle Materialien einsetzbar und funktioniert im gesamten Periodensystem der chemischen Elemente. Der Algorithmus wurde unter anderem eingesetzt, um die Datenbank matterverse.ai zu erstellen. Sie enthält die vom Machine-Learning-Algorithmus vorhergesagten Eigenschaften von rund 31 Millionen noch nicht synthetisierter Materialien. Mehr als eine Million dieser Materialien sind potentiell stabil. Die Ergebnisse von M3GNet sind hochpräzise und lassen sich nutzen, um neue technische Materialien mit besonderen Eigenschaften zu finden.

In Fachkreisen wird M3GNet oft auch als AlphaFold für Materialien bezeichnet. Bei AlphaFold handelt es sich um ein von Google DeepMind entwickeltes künstliches neuronales Netzwerk mit Transformer-Architektur. Es sagt die dreidimensionalen Strukturen von Proteinen auf Basis der Aminosäuresequenzen voraus und hat für einen Durchbruch bei der Lösung des schon seit vielen Jahrzehnten bestehenden Proteinfaltungsproblems gesorgt. Ähnliches erwartet man sich von M3GNet im Bereich der Materialforschung und der Vorhersage von Materialeigenschaften und -strukturen.

Um die weltweite Verwendung des KI-Algorithmus voranzutreiben, haben die Entwickler das Framework als Python-Code mit Open-Source-Lizenz (BSD 3-Clause License) auf GitHub veröffentlicht. Der Code ist auf GitHub frei verfügbar und kann auf Rechnern per pip, dem De-facto-Paketverwaltungsprogramm für Python-Pakete, aus dem Python-Package-Index (PyPI) installiert und für eigene Zwecke verwendet werden. Seitens der Industrie und der Forschung besteht reges Interesse an M3GNet. Darüber hinaus gibt es Bestrebungen, den Algorithmus in kommerzielle Lösungen zur Simulation von Materialien zu integrieren.

Funktionsweise und Training von M3GNet

Die Eigenschaften und Strukturen von Materialien sind durch die Anordnung und die energetischen Wechselwirkungen der beteiligten Atome festgelegt. Sogenannte Interatomare Potenziale (Interatomic Potentials – IAPs) stellen die grundlegenden Eingabeinformationen für atomistische Simulationen der Molekularmechanik und Molekulardynamik dar. Es handelt sich um mathematische Funktionen, mit denen sich die potenzielle Energie eines Atomsystems und seinen gegebenen Raumpositionen berechnen lässt. Mit IAPs lassen sich beispielsweise Oberflächenenergien, elastisches und plastisches Materialverhalten, Kohäsion, Adsorption oder Wärmeausdehnung und andere Eigenschaften von Materialien abbilden und bestimmen.

Die Deep-Learning-Architektur von M3GNet kombiniert ein neuronales Graphen-Netzwerk (GNN) mit Vielkörper-Wechselwirkungen. Ansammlungen von Atomen wie in Kristallen oder Molekülen werden mit mathematischen Graphen-Funktionen abgebildet. Die Knoten und Kanten repräsentieren die Atome mit ihren Bindungen. Die speziell für M3GNet entwickelte Graphen-Architektur berücksichtigt explizit die Vielkörper-Wechselwirkungen. Sie arbeitet universell und präzise über das komplette Periodensystem der chemischen Elemente.

Trainiert wurde das Modell mit den seit 2012 im Materials Project, einer frei zugänglichen, riesigen Datenbank für Materialeigenschaften, gesammelten Daten. Für das Training setzten die Entwickler die Nvidia-RTX-3090-GPU ein. Die von M3GNet vorhergesagten Strukturen und Eigenschaften der Materialien sind sehr genau und übertreffen die Ergebnisse einiger anderer State-of-the-Art-Machine-Learning-Modelle. Die Inferenz der vortrainierten M3GNet-Modelle kann auf Standardcomputern ausgeführt werden.

Die Anwendungsmöglichkeiten des KI-Algorithmus M3GNet

Die Anwendungsmöglichkeiten von M3GNet sind vielfältig. M3GNet lässt sich für Simulationen und Vorhersagen der Eigenschaften von Materialien unterschiedlichster Art einsetzen. Es lassen sich neue Materialien mit besonderen Eigenschaften finden, entwickeln und simulieren. Seitens Industrie und Forschung verschiedener Fachbereiche und Branchen besteht reges Interesse an dem KI-Algorithmus M3GNet. Darüber hinaus gibt es Bestrebungen, den Algorithmus in kommerzielle Lösungen zur Simulation von Materialien zu integrieren. Die Entwickler von M3GNet verwenden den KI-Algorithmus unter anderem für die Arbeit an den Akkus der Zukunft. Sie suchen damit nach sicheren Materialien mit einer hohen Energiedichte für Elektroden und Elektrolyte für wiederaufladbare Lithium-Ionen-Akkus.

(ID:49269580)