Kurzfassung

Forschende am Paul Scherrer Institut PSI haben ein KI-Modell namens XtalPaint entwickelt, das fehlende Positionen von Wasserstoffatomen in Kristallstrukturen rekonstruiert. Das Team um Giovanni Pizzi trainierte die künstliche Intelligenz auf Basis von Microsofts MatterGen-Modell, um ein zentrales Problem der Materialwissenschaften zu lösen: Wasserstoffatome lassen sich experimentell schwer nachweisen und fehlen daher häufig in Materialdatenbanken. Die neue Methode erreicht eine Erfolgsquote von 97 Prozent und ermöglicht präzisere Computersimulationen von Materialeigenschaften für Anwendungen wie Wasserstoffspeicherung und Batterieentwicklung.

Personen

Themen

  • Künstliche Intelligenz in der Materialforschung
  • Kristallstrukturanalyse
  • Wasserstoffspeicherung
  • Batterieentwicklung
  • Computersimulationen

Clarus Lead

Die Entwicklung von XtalPaint adressiert eine kritische Lücke in der modernen Materialforschung: Während Datenbanken Tausende potenziell interessante Materialien enthalten, bleiben viele davon für Computersimulationen unzugänglich, weil Wasserstoffpositionen fehlen oder ungenau sind. Indem das PSI-Team etablierte Inpainting-Techniken aus dem maschinellen Sehen auf die Kristallographie überträgt, ermöglicht XtalPaint erstmals eine systematische Rekonstruktion dieser kritischen Strukturinformationen – mit direkten Konsequenzen für die Entwicklung von Energiespeichertechnologien und Supraleiter-Forschung.

Detaillierte Zusammenfassung

Das zentrale Problem liegt in der experimentellen Messmethodik: Traditionelle Röntgenstreuungsverfahren ermitteln Atompositionen durch Strahlenbrechung, erfassen Wasserstoff aber nur unzureichend. Dies führt zu Lücken oder Ungenauigkeiten in den Strukturdatenbanken – ein Hindernis für Computersimulationen von Materialeigenschaften wie elektrischer oder thermischer Leitfähigkeit. Giovanni Pizzi schätzt, dass deshalb mehrere Tausend potenziell relevante Materialien nicht simuliert werden können.

Das XtalPaint-Modell überträgt ein etabliertes Konzept aus der Bildverarbeitung: Diffusionsmodelle, die beim sogenannten Inpainting fehlende Bildinformationen ergänzen (beispielsweise eine verdeckte Hundepfote). Der innovative Schritt liegt in der selektiven Rauscheinführung – nur die unbekannten Atompositionen werden mit zufälligen Informationen überlagert, während bekannte Strukturen unverändert bleiben. Dies erhöht sowohl die Erfolgsquote als auch die Recheneffizienz erheblich.

In Validierungstests entfernten die Forschenden absichtlich bekannte Wasserstoffpositionen und liessen XtalPaint diese rekonstruieren: In 87 Prozent der Fälle wurden die ursprünglichen Positionen korrekt identifiziert, in weiteren 10 Prozent fand das Modell energetisch stabilere Konfigurationen – insgesamt eine Erfolgsquote von 97 Prozent. Das Team plant, damit Datenbankeinträge zu vervollständigen und hat bereits Fehler in bestehenden Datenbanken aufgespürt. Die Methode ist nicht auf Wasserstoff beschränkt; sie lässt sich auch auf Lithium und Natrium anwenden, Elemente, die für Batterieneuentwicklung zentral sind.

Kernaussagen

  • XtalPaint rekonstruiert fehlende Wasserstoffpositionen in Kristallstrukturen mit 97 Prozent Erfolgsquote
  • Die Methode überträgt etablierte KI-Inpainting-Techniken aus der Bildverarbeitung auf die Materialwissenschaften
  • Selektive Rauscheinführung (nur unbekannte Atompositionen) erhöht Effizienz und Genauigkeit
  • Anwendungspotenziale: Wasserstoffspeicherung, Batterieentwicklung, Supraleiter-Forschung
  • Ermöglicht Nutzung von Tausenden bisher unzugänglichen Materialien für Computersimulationen

Kritische Fragen

  1. Validierungsmethode (Evidenz): Wie repräsentativ ist der Testdatensatz, auf dem XtalPaint validiert wurde? Wurden Kristallstrukturen aus verschiedenen Materialklassen und Komplexitätsgraden getestet, oder konzentrierte sich die Validierung auf spezifische Stoffgruppen?

  2. Generalisierbarkeit (Datenqualität): Die 97-Prozent-Erfolgsquote basiert auf künstlich entfernten Wasserstoffpositionen. Wie performt XtalPaint bei echten, experimentell fehlenden oder fehlerhaften Datenbankeinträgen, die möglicherweise anderen Mustern folgen?

  3. Trainungsdaten und Bias (Interessenskonflikte): Auf welchen Datensätzen wurde XtalPaint trainiert? Besteht das Risiko, dass das Modell systematische Fehler aus Trainingsdaten perpetuiert oder bevorzugt häufig vorkommende Strukturtypen gegenüber seltenen Materialien?

  4. Energetische Stabilität (Kausalität): In 10 Prozent der Fälle identifizierte XtalPaint energetisch stabilere Konfigurationen als die bekannten Positionen. Wie werden diese Fälle experimentell validiert? Können sie auf Messfehler zurückgehen, oder deuten sie auf echte alternative Strukturen hin?

  5. Rechenleistung und Skalierbarkeit (Umsetzbarkeit): Welche Rechenressourcen benötigt XtalPaint für grosse Datenbanken mit Millionen von Kristallstrukturen? Ist die Methode praktikabel für Echtzeit-Datenbankergänzungen oder nur für Batch-Verarbeitung?

  6. Anwendbarkeit auf andere Elemente (Risiken): Die Methode wird auf Lithium und Natrium angewendet. Gibt es Elemente oder Kristallklassen, bei denen die Methode schlecht funktioniert? Wie wird dies charakterisiert?

Quellenverzeichnis

Primärquelle: Score-based diffusion models for accurate crystal-structure inpainting and reconstruction of hydrogen positions – npj Computational Materials, 11.06.2026

Ergänzende Quellen:

  1. Medienmitteilung Paul Scherrer Institut PSI: Den fehlenden Wasserstoffatomen auf der Spur
  2. Offizielle Quelle: news.admin.ch

Verifizierungsstatus: ✓ 11.06.2026

Weitere Sprachen: Französisch | Englisch

Dieser Text wurde mit Unterstützung eines KI-Modells erstellt. Redaktionelle Verantwortung: clarus.news | Faktenprüfung: 11.06.2026