Ingenieure am NIMS entwickeln ein System, das alle Elemente von Versuch und Irrtum im Materialdesign erfasst und eine zuverlässige Reproduktion der Denkprozesse und Ergebnisse ermöglicht

TSUKUBA, JAPAN - 22. April 2026 (NEWMEDIAWIRE) - Die Entdeckung und Charakterisierung neuer Materialien ist wichtig, um Fortschritte in Bereichen wie saubere Energie, fortschrittliche Fertigung und verbesserte Infrastruktur zu ermöglichen. Forscher nutzen maschinelles Lernen und andere computergestützte Werkzeuge, um sich dabei zu helfen, doch der Versuch-und-Irrtum-Charakter des Prozesses stellt spezifische Herausforderungen dar. Die Forschung erzeugt große Mengen experimenteller und rechnerischer Daten, und Wissenschaftler benötigen Werkzeuge, die nicht nur die Ergebnisse, sondern auch die dahinterstehende Argumentationskette verfolgen und speichern können.

Ein neues System namens pinax, veröffentlicht in der Zeitschrift Science and Technology of Advanced Materials: Methods, bietet genau diese Funktionen. Entwickelt von Ingenieuren am japanischen National Institute for Materials Science (NIMS), erfasst pinax den gesamten Prozess der Entwicklung neuer Materialien, einschließlich maschineller Lern-Workflows und Entscheidungsprozesse. „Durch die Formalisierung sowohl erfolgreicher als auch erfolgloser Versuch-und-Irrtum-Prozesse verbessert pinax die Reproduzierbarkeit, Rechenschaftspflicht und Wissensweitergabe bei gleichzeitiger strikter Datenverwaltung“, sagt Satoshi Minamoto vom NIMS, Hauptautor der Studie.

Modelle des maschinellen Lernens spielen eine immer größere Rolle bei der Materialentdeckung und -charakterisierung. Obwohl die Modelle leistungsstarke Werkzeuge sind, sind die von ihnen verwendeten Denkprozesse im Allgemeinen undurchsichtig. Forscher wissen nicht, welche Überlegungen und Versuch-und-Irrtum-Prozesse zu ihren endgültigen Vorhersagen führten. „Das in dieser Studie vorgestellte System visualisiert diese unsichtbaren Prozesse. Dies ermöglicht es anderen, den Weg zu den Schlussfolgerungen zu überprüfen, zu verifizieren und darauf aufzubauen“, sagt Minamoto.

Minamoto betont die Bedeutung eines solchen Zugangs in Anwendungen, bei denen Sicherheit, Reproduzierbarkeit und Rechenschaftspflicht wichtig sind, und sagt, dass diese Arbeit „zeigt, wie transparente KI-Systeme wissenschaftliche Entdeckungen in ein zuverlässigeres, effizienteres und sozial verantwortungsvolleres Unterfangen verwandeln können“.

Das Team testete pinax anhand von zwei Fallstudien: einer zur Vorhersage von Stahleigenschaften und einer anderen, die Transferlernen zur Vorhersage der Wärmeleitfähigkeit von Polymeren nutzte. Das System ermöglichte es, die Leistungsvorhersagen des Modells mit den spezifischen Daten oder Modellaspekten zu verknüpfen, die sie beeinflussten, und komplexe, mehrstufige Workflows zu reproduzieren. „Insbesondere das Transferlernen-Beispiel unterstreicht pinax' Fähigkeit, den Informationsfluss zwischen verflochtenen Datensätzen und Modellen zu verfolgen, wodurch jeder Schritt im Denkprozess explizit nachvollziehbar wird“, sagt Minamoto.

Die Ingenieure planen, pinax zu einem autonomen, geschlossenen Materialsystem für die Materialentdeckung auszubauen. Durch die Integration der Tracking-Fähigkeiten von pinax mit automatisierten Experimentier- und Simulationssystemen zielen sie darauf ab, eine Schleife zu schaffen, die Datengenerierung, Modelle des maschinellen Lernens und Entscheidungssysteme nutzen kann, um den gesamten Forschungszyklus systematisch und unabhängig durchzuführen.

Weitere Informationen
Satoshi Minamoto
National Institute for Materials Science
minamoto.satoshi@nims.go.jp

Artikel: https://doi.org/10.1080/27660400.2026.2629051

Über Science and Technology of Advanced Materials: Methods (STAM-M)

STAM Methods ist eine Open-Access-Schwesterzeitschrift von Science and Technology of Advanced Materials (STAM) und konzentriert sich auf neuartige Methoden und Werkzeuge zur Verbesserung und/oder Beschleunigung der Materialentwicklung, wie Methodik, Apparate, Instrumentierung, Modellierung, Hochdurchsatz-Datenerfassung, Material-/Prozessinformatik, Datenbanken und Programmierung. https://www.tandfonline.com/STAM-M

Dr. Kazuya Saito
STAM Methods Publishing Director
SAITO.Kazuya@nims.go.jp

Haftungsausschluss: Diese Übersetzung wurde automatisch von NewsRamp™ für NewMediaWire (gemeinsam als "DIE UNTERNEHMEN" bezeichnet) mit öffentlich zugänglichen generativen KI-Plattformen erstellt. DIE UNTERNEHMEN garantieren nicht die Genauigkeit oder Vollständigkeit dieser Übersetzung und haften nicht für Fehler, Auslassungen oder Ungenauigkeiten. Die Nutzung dieser Übersetzung erfolgt auf eigenes Risiko. DIE UNTERNEHMEN haften nicht für Schäden oder Verluste, die aus solcher Nutzung entstehen. Die offizielle und maßgebliche Version dieser Pressemitteilung ist die englische Version.