GENIUS: ein agentisches KI‑Framework für die autonome Konzeption und Ausführung von Simulationsprotokollen

Klügere Werkzeuge zur Entdeckung neuer Materialien

Die Entwicklung besserer Batterien, Katalysatoren und elektronischer Bauteile hängt immer stärker von Computersimulationen ab, die vorhersagen, wie sich Materialien verhalten, bevor sie im Labor hergestellt werden. Dennoch erfordern diese Simulationen in der Regel Spezialwissen: detaillierte Softwarebefehle und tausende technische Optionen. Dieses Papier stellt GENIUS vor, ein künstliches Intelligenzsystem, das wie ein fachkundiger Assistent wirkt und natürlichsprachliche Anfragen von Forschenden automatisch in lauffähige Simulations‑Setups übersetzt. Indem es die technische Hürde senkt, soll GENIUS viel mehr Forschenden ermöglichen, leistungsfähige Quantumberechnungen in ihrer täglichen Arbeit zu nutzen.

Die versteckten Reibungsverluste hinter virtuellen Experimenten

Die moderne Materialforschung stützt sich stark auf atomgenaue Simulationen, um Ideen schnell und kostengünstig zu testen. Programme wie Quantum ESPRESSO erreichen für viele Kristalle inzwischen eine experimentelle Genauigkeit, doch ihre tägliche Nutzung beschränkt sich oft auf Spezialisten. Das Aufsetzen einer einzelnen Rechnung kann erfordern, sich durch dichte Dokumentation zu arbeiten, kompatible Parameter auszuwählen und kryptische Fehlermeldungen zu debuggen. Selbst erfahrene Anwender verbringen mitunter Stunden mit Eingabedateien, anstatt über die Wissenschaft nachzudenken. Diese Lücke zwischen dem, was die Software leisten kann, und dem, was die meisten Forschenden komfortabel nutzen können, wird oft als „Know‑do‑Gap“ bezeichnet und bremst die Überführung von Theorie in reale Technologien.

Eine KI‑Mittelschicht zwischen Mensch und Code

GENIUS ist als intelligente Mittelschicht konzipiert, die zwischen dem Forschenden und dem Simulationsprogramm sitzt. Ein Nutzer beginnt mit einer freien Anfrage, etwa einer Geometrieoptimierung eines bestimmten zweidimensionalen Materials mit einer angegebenen Quantenmethode. GENIUS zerlegt diese Anfrage mithilfe großer Sprachmodelle und eines strukturierten "Knowledge Graph", der kodiert, wie sich die 247 Schlüsseleinstellungen von Quantum ESPRESSO zueinander und zur zugrundeliegenden Physik verhalten. Daraus entwirft es eine vollständige Eingabedatei, die Syntax und interne Regeln der Software beachtet. Entscheidend ist, dass GENIUS sich nicht allein auf das Gedächtnis des Sprachmodells stützt; es begründet seine Entscheidungen anhand kuratierter Dokumentation und Datenbankinformationen über das tatsächlich untersuchte Material, wodurch erfundene oder inkonsistente Einstellungen stark reduziert werden.

Aus Fehlern lernen ohne menschliches Debugging

Auch sorgfältig vorbereitete Simulationen können beim ersten Versuch scheitern. Um damit umzugehen, enthält GENIUS eine automatisierte Fehler‑Erholungs‑Schleife. Wenn Quantum ESPRESSO eine Eingabe ablehnt, erzeugt das Programm eine Fehlermeldung. GENIUS liest diese Meldung, konsultiert seinen Knowledge Graph, um zu interpretieren, was schiefgelaufen ist, und schlägt eine korrigierte Eingabe vor. Ein einfacher, aber disziplinierter Steuerungsmechanismus protokolliert diese Versuche und entscheidet, wann mit demselben Sprachmodell erneut versucht wird, wann von einer sauberen Vorlage neu gestartet und wann auf ein leistungsfähigeres Modell eskaliert wird. Diese Schleife läuft so lange, bis die Simulation frühe Prüfungen besteht oder das System zu dem Schluss kommt, dass weitere Versuche wenig Aussicht auf Erfolg haben. Während dieses Prozesses zeichnen Protokolle jede Entscheidung auf und liefern eine klare Spur für spätere Inspektionen oder menschliche Eingriffe.

Wie gut das System in der Praxis funktioniert

Um die Robustheit von GENIUS zu prüfen, sammelten die Autorinnen und Autoren 295 reale Aufforderungen von Chemikerinnen und Chemikern sowie Physikerinnen und Physikern, die regelmäßig Quanten‑Simulationen nutzen, jedoch nicht unbedingt Quantum ESPRESSO selbst. Diese Prompts reichten von einfachen bis hin zu sehr detaillierten Aufgaben. Das Team prüfte, ob GENIUS jede Anfrage in eine Eingabedatei umwandeln konnte, die das Programm innerhalb eines kurzen Validierungsfensters von einer Minute parsen und starten würde. Etwa 80 Prozent aller Prompts führten zu einem funktionierenden Setup. Ungefähr 14 Prozent gelangten beim ersten Versuch zum Erfolg, während der Großteil der übrigen durch die automatisierte Fehlerbehandlung gerettet wurde. Die Chance, einen fehlgeschlagenen Lauf zu „retten“, sank schnell mit jedem weiteren Versuch und stabilisierte sich bei etwa 7 Prozent, was zeigt, dass die meisten behebbare Probleme früh gelöst werden. Einfache Sprachmodell‑Baselines ohne Knowledge Graph und Steuerungslogik erzeugten selten gültige Eingaben, was den Wert der GENIUS‑Architektur gegenüber bloß größeren Modellen unterstreicht.

Fortgeschrittene Simulationen für mehr Forschende öffnen

Aus laienhafter Perspektive ist GENIUS ein Schritt in Richtung der Öffnung hochspezialisierter Quantensimulationen und macht sie so zugänglich wie eine moderne Suchmaschine. Statt sich auswendig gelernte, kryptische Befehle merken zu müssen, beschreiben Forschende, was sie wollen, und das System stellt automatisch die notwendigen Anweisungen zusammen, testet und repariert sie. Unter der Haube kombiniert GENIUS strukturiertes Domänenwissen, mehrere Sprachmodelle und eine sorgfältige Wiederholungsstrategie, um Fehler in Schach zu halten. Während sich die vorliegende Arbeit auf ein weit verbreitetes Simulationspaket konzentriert, könnte das gleiche Design auf andere Codes übertragen werden, wo klare Dokumentation und Fehlermeldungen vorliegen. Indem es die Know‑do‑Gap verkleinert, könnten Frameworks wie GENIUS mehr Laboren, Unternehmen und Studierenden helfen, fortgeschrittene rechnerische Werkzeuge in den Alltag der Materialforschung zu integrieren.

Zitation: Soleymanibrojeni, M., Aydin, R., Guedes-Sobrinho, D. et al. GENIUS: an agentic AI framework for autonomous design and execution of simulation protocols. Commun Mater 7, 115 (2026). https://doi.org/10.1038/s43246-026-01167-0

Schlüsselwörter: Materialsimulation, autonome Arbeitsabläufe, agentische KI, Dichtfunktionaltheorie, Quantum ESPRESSO