Durch die Verbindung von Physik mit maschinellem Lernen ist es nun möglich komplexe Energiematerialien bei realen Temperaturen und in realistischen Größenordnungen zu modellieren. Das Forschungsteam von Prof. David Egger an der School of Natural Sciences der Technischen Universität München (TUM) hat eine neue leistungsfähige Rechenmethode entwickelt, die die Gestaltung zukünftiger Solarenergiematerialien beschleunigen könnte. Die Methode namens HAMSTER (Hamiltonian-learning Approach for Multiscale Simulations using a Transferable and Efficient Representation) ermöglicht realistische, quantenmechanisch präzise Simulationen komplexer Materialien unter realen Betriebsbedingungen, was mit herkömmlichen Methoden lange als unerreichbar galt. Die Arbeit wurde kürzlich in Nature Communications veröffentlicht. 

Logo für das HAMSTER-Projekt. Abbildung: KI-generierte Konzeptskizze, erstellt mit OpenAI-Tools.

„Mit HAMSTER können wir endlich komplexe Energiematerialien unter genau den Bedingungen simulieren, unter denen sie tatsächlich arbeiten“, sagt Prof. Egger. „Diese Fähigkeit, physikalische Erkenntnisse mit dateneffizientem maschinellem Lernen zu kombinieren, stellt einen entscheidenden Schritt hin zu einer Materialentwicklung mit echter Vorhersagekraft dar.“

Die Eigenschaften von Photovoltaikmaterialien der nächsten Generation wie Halogenid-Perowskite sind stark von Temperatur, atomarer Bewegung und struktureller Unordnung abhängig. Traditionelle quantenmechanische Simulationen tun sich mit diesen Effekten schwer, da sie enorme Rechenressourcen erfordern und typischerweise nur idealisierte Strukturen bei niedrigen Temperaturen behandeln können. HAMSTER überwindet diese Einschränkung, indem es ein approximatives physikalisches Modell mit maschinellem Lernen kombiniert, um subtile, dynamische Veränderungen in der elektronischen Struktur eines Materials zu erfassen. Dieser Ansatz ermöglicht die Vorhersage von optoelektronischen Eigenschaften mit einer hohen Genauigkeit und benötigt gleichzeitig nur einen Bruchteil der Trainingsdaten, die neuronale Netzwerke üblicherweise erfordern.

Eine der bedeutendsten Errungenschaften von HAMSTER ist seine Fähigkeit, quantenmechanische Vorhersagen auf Systeme mit Zehntausenden von Atomen zu skalieren. Dieser Bereich war mit der Standardmethode der Dichtefunktionaltheorie (DFT) bisher praktisch unzugänglich. Das Team wandte die Methode auf große Halogenid-Perowskit-Superzellen mit bis zu 50.000 Atomen an und zeigte dabei, wie thermische Fluktuationen, Zusammensetzung und Systemgröße wichtige Eigenschaften wie die elektronische Bandlücke beeinflussen. Diese Simulationen im großen Maßstab helfen, Artefakte zu eliminieren und liefern ein wesentlich realistischeres Bild davon, wie Materialien in realen Experimenten funktionieren.

Prof. David Egger (links) und Martin Schwade präsentieren HAMSTER. (Foto: Dr. Robert Reich / TUM)

Über seine rechnerische Leistungsfähigkeit hinaus zeichnet sich HAMSTER durch Interpretierbarkeit und Dateneffizienz aus. „Der Hamiltonoperator, das ‚H‘ im HAMSTER, ist im Grunde eine sehr große Tabelle, welche den Zustand und die Entwicklung eines Materials beschreibt. Er ist strukturiert durch Symmetrie, ähnlich wie ein Lebenslauf“, erklärt Martin Schwade, Erstautor der Studie und Doktorand in der Gruppe von Prof. Egger, der die Entwicklung des Hamster-Codes leitet. „Im Gegensatz zu Black-Box-KI-Modellen integriert HAMSTER diese Symmetrien direkt in seine Architektur und ermöglicht so ein effizientes Lernen der Physik elektronischer Wechselwirkungen.“ Dieses Design reduziert nicht nur die Menge der benötigten Trainingsdaten, sondern stellt auch sicher, dass die Vorhersagen des Modells über verschiedene Temperaturen, Zusammensetzungen und Materialtypen hinweg physikalisch sinnvoll bleiben.

Von Solarzellen und lichtemittierenden Bauelementen bis hin zu Quantenmaterialien mit komplexer Unordnung eröffnet HAMSTER neue Wege, die Materialforschung besser vorhersagbar zu machen. Möglich wird dies durch genaue, skalierbare Simulationen unter Bedingungen, die realen Betriebsumgebungen sehr nahe kommen. Die Arbeit des Teams zeigt, wie die Kombination von Physik und KI neue Möglichkeiten im Materialdesign erschließen kann und den Weg für eine schnellere Entdeckung und Optimierung leistungsstarker Energietechnologien ebnet.

Publikation:

Martin Schwade, Shaoming Zhang, Frederik Vonhoff, Frederico P. Delgado, and David A. Egger. Physics-informed Hamiltonian learning for large-scale optoelectronic property prediction. Nature Communications. doi: 10.1038/s41467-026-70865-7

Kontakt zum Artikel:

Prof. David Egger
TUM School of Natural Sciences
Theory of Functional Energy Materials (TheoFEM)
Tel. +49 89 289 12390
david.egger@tum.de


Pressekontakt:

communications@nat.tum.de
Link zur Originalveröffentlichung


Weitere Informationen und Links: