KI‑gestützte, daten‑effiziente Schätzung von Zustandssummen in ungeordneten Materialien

Warum winzige Fehler in unordentlichen Materialien wichtig sind

Viele der heute vielversprechendsten Materialien – von Kernbrennstoffen bis zu hochleistungsfähigen Legierungen – sind keine perfekt geordneten Kristalle, sondern chemische „Flickenteppiche“, in denen verschiedene Atome intensiv vermischt sind. In diesen unordentlichen Strukturen bestimmen winzige fehlende Atome und andere Defekte, wie Wärme, Elektrizität und sogar Strahlenschäden sich im Material ausbreiten. Die Arbeit stellt PULSE vor, ein neues Werkzeug der künstlichen Intelligenz, das vorhersagen kann, wie solche Defekte sich in komplexen, ungeordneten Materialien verhalten – und zwar weitaus effizienter als klassische Computersimulationen.

Das Problem beim Zählen des quasi Unzählbaren

In multikomponentigen Materialien wie Uran‑Plutonium‑Mischoxiden oder Hochentropielegierungen können Atome Gitterplätze auf unvorstellbar viele Weisen besetzen. Jede einzelne Anordnung oder Konfiguration kann die Bildung und Bewegung von Defekten leicht verändern. Um realistische Eigenschaften vorherzusagen, müssten Wissenschaftler im Prinzip alle diese Möglichkeiten berücksichtigen, was mathematisch durch eine Größe namens Zustandssumme erfasst wird. Klassische Ansätze approximieren die Unordnung entweder mit einer Handvoll sorgfältig ausgewählter Modellstrukturen oder sampeln viele Konfigurationen mittels Monte‑Carlo‑Simulationen. Die erste Strategie kann wichtige Anordnungen übersehen; die zweite ist oft so rechenaufwendig, dass sie für realistische Systeme unpraktisch wird.

Ein sich selbst trainierender KI‑Sampler

PULSE (Partition function Unsupervised Learning Sampling and Evaluation) geht dieses Problem an, indem es lernt, den Konfigurationsraum eigenständig zu erkunden. Es basiert auf einem inversen variationalen Autoencoder, einer Art neuronalen Netzes, das von einfachen Zufallseingaben ausgeht und diese in realistische atomare Konfigurationen verwandelt. Entscheidend ist, dass dieses Modell keine vorab erstellte Beispieldatenbank benötigt. Stattdessen erzeugt es Kandidatenanordnungen, übergibt sie an einen atomistischen Rechnungsschritt zur Bestimmung ihrer Energien und passt dann seine internen Parameter an, damit vorteilhafte Proben wahrscheinlicher werden. Diese geschlossene Rückkopplung erlaubt es der KI, ihre Aufmerksamkeit auf die Konfigurationen zu richten, die für die Zustandssumme am wichtigsten sind, insbesondere auf jene, die das Verhalten bei einer gegebenen Temperatur dominieren.

PULSE im Test am Kernbrennstoff

Um die Fähigkeiten zu demonstrieren, wenden die Autoren PULSE auf Uran‑Plutonium‑Oxid an, ein zentrales Material für Kernbrennstoff. Sie konzentrieren sich auf Schottky‑Defekte – Gruppen fehlender Atome, die stark beeinflussen, wie der Brennstoff auf hohe Temperaturen und Strahlung reagiert. Zuerst testen sie die Methode in relativ kleinen lokalen Umgebungen, in denen die Zustandssumme noch durch direkte Auszählung exakt berechnet werden kann. PULSEs Schätzungen dieser Größe und der daraus abgeleiteten Defektkonzentrationen stimmen eng mit den exakten Ergebnissen überein, während sie um mehrere Größenordnungen weniger Energie‑Berechnungen benötigen als ein vollständiges Durchsuchen der Datenbank. Im Vergleich zu weit verbreiteten „special quasirandom structures“ erreicht PULSE ähnliche oder bessere Genauigkeit, verfügt aber über eine klare eingebaute Konvergenzbewertung und erheblich geringere Rechenkosten bei hohen Temperaturen.

Was die KI über lokale Umgebungen verrät

Weil PULSE explizit atomare Nachbarschaften um einen Defekt erzeugt und bewertet, kann es genutzt werden, um zu untersuchen, wie weit der Einfluss eines Defekts reicht. Durch systematisches Randomisieren von Atomschichten, die immer weiter vom Defekt entfernt liegen, zeigen die Autoren, dass in diesem Oxidbrennstoff nur wenige Schalengruppen benachbarter Atome die Defekt‑Energetik signifikant beeinflussen und dass der relevante Abstand mit steigender Temperatur abnimmt. Die Methode zeigt auch, wie sich Defektkonzentrationen mit dem Plutoniumgehalt ändern: Mit zunehmendem Plutoniumanteil wird die Defektbildung allgemein einfacher, was zu höheren Defektdichten führt – insbesondere bei niedrigen Temperaturen, bei denen energetische Unterschiede wichtiger sind.

Warum das für das Design künftiger Materialien wichtig ist

Für Nicht‑Spezialisten lautet die Kernbotschaft, dass PULSE eine schnelle, flexible Möglichkeit bietet, wie KI die wichtigsten atomaren Anordnungen in stark ungeordneten Materialien „zählt“ und priorisiert. Anstatt jede mögliche Konfiguration erschöpfend zu simulieren, lernt die Methode in Echtzeit, welche lokalen Muster die Defektbildung steuern, und nutzt dieses Wissen, um Defektkonzentrationen und verwandte Eigenschaften abzuschätzen. Obwohl an Kernbrennstoff demonstriert, lässt sich derselbe Rahmen auf eine breite Palette komplexer Materialien anwenden, etwa Hochentropielegierungen oder Mischoxide für Energiespeicherung und Katalyse. Auf diese Weise könnte PULSE Forschern helfen, schnell zu erkunden, wie mikroskopische Unordnung makroskopische Leistung bestimmt, und so das Design sichererer und effizienterer Materialien lenken.

Zitation: Karcz, M.J., Messina, L., Kawasaki, E. et al. AI-driven data-efficient estimation of partition functions in disordered materials. Sci Rep 16, 14568 (2026). https://doi.org/10.1038/s41598-026-37953-6

Schlüsselwörter: ungeordnete Materialien, maschinelles Lernen, Kernbrennstoff, Punktdefekte, generative Modelle