Direkt zum Inhalt
Login erforderlich
Dieser Artikel ist Abonnenten mit Zugriffsrechten für diese Ausgabe frei zugänglich.

Chemie: Künstliche Intelligenz entdeckt neue Stoffe

Es gibt unendlich viele unerforschte Möglichkeiten, Atome miteinander zu kombinieren. Doch welche Verbindungen könnten in der Realität hilfreich sein? Forscher nutzen inzwischen künstliche Intelligenz, um riesige Datenbanken nach aussichtsreichen Kristallstrukturen zu durchforsten und die Eigenschaften neuer Materialien vorherzusagen.
Künstliche Intelligenz

Die Welt der Chemie ist grenzenlos. Allein aus den Elementen Kohlenstoff und Wasserstoff lassen sich unendlich viele verschiedene Moleküle bilden. Doch auch bei scheinbar einfacher konstruierten anorganischen Stoffen können sich die Elemente in unterschiedlichen Mengenverhältnissen verbinden, so dass vielseitige chemische Strukturen entstehen. Ein Beispiel dafür ist Wasserstoffperoxid (H2O2), das aus denselben Bausteinen besteht wie Wasser (H2O), aber völlig andere Eigenschaften besitzt.

Welche der vielen Verbindungen sind stabil und bringen nützliche Eigenschaften mit sich? Die Beantwortung dieser Frage ist meist mit sehr großem Aufwand verbunden. Bei anorganischen Stoffen, die aus lediglich zwei Elementen bestehen, führt oft noch einfaches Ausprobieren zum Ziel. Chemiker können die möglichen Kombinationen mit quantenmechanischen Modellen theoretisch untersuchen oder im Labor experimentell erproben. Ab drei Elementen wird es allerdings unübersichtlich. Von der grenzenlosen Vielfalt an Materialien, die sich aus der Verbindung von drei oder mehr Mitgliedern des Periodensystems ergeben, haben Chemiker bisher nur einen verschwindend kleinen Teil synthetisiert ...

Kennen Sie schon …

Spektrum Kompakt – Quantencomputer - Neue Erkenntnisse und Verfahren

Diskutiert und selten gesehen: der Quantencomputer verspricht Fortschritt von Technik bis Medizin - doch stecken seine Berechnungen noch in den Kinderschuhen. Wie funktionieren die futuristischen Rechner und weshalb genügt der heimische PC ihren Zwecken teilweise nicht?

Spektrum Kompakt – Pi ist überall - Die fabelhafte Welt der Mathematik

Häufiger als man denkt, schleicht sie sich in unseren Alltag ein: Die Kreiszahl Pi spielt nicht nur eine Rolle bei runden Flächeninhalten, sondern auch bei Lebenssimulationen, Streichhölzern oder Billardspielen - und obwohl sie seit jeher fasziniert, wirft ihr Vorkommen noch immer Fragen auf.

Spektrum - Die Woche – Wo Bäume mehr schaden als nützen

Drei Milliarden neue Bäume in der EU, zehn Milliarden in den USA, 70 Milliarden in China. Doch die ambitionierten Ziele für Aufforstungen könnten lokale Ökosysteme und Tierbestände gefährden. Außerdem in der aktuellen »Woche«: wieso der Hype um ultradünne Halbleitermaterialien berechtigt ist.

Schreiben Sie uns!

Beitrag schreiben

Wir freuen uns über Ihre Beiträge zu unseren Artikeln und wünschen Ihnen viel Spaß beim Gedankenaustausch auf unseren Seiten! Bitte beachten Sie dabei unsere Kommentarrichtlinien.

Tragen Sie bitte nur Relevantes zum Thema des jeweiligen Artikels vor, und wahren Sie einen respektvollen Umgangston. Die Redaktion behält sich vor, Zuschriften nicht zu veröffentlichen und Ihre Kommentare redaktionell zu bearbeiten. Die Zuschriften können daher leider nicht immer sofort veröffentlicht werden. Bitte geben Sie einen Namen an und Ihren Zuschriften stets eine aussagekräftige Überschrift, damit bei Onlinediskussionen andere Teilnehmende sich leichter auf Ihre Beiträge beziehen können. Ausgewählte Zuschriften können ohne separate Rücksprache auch in unseren gedruckten und digitalen Magazinen veröffentlicht werden. Vielen Dank!

  • Quellen

Butler, K. T. et al.: Machine Learning for Molecular and Materials Science. In: Nature 559, S. 547–555, 2018

Legrain, F. et al.: Materials Screening for the Discovery of New Half-Heuslers: Machine Learning versus Ab Initio Methods. In: Journal of Physical Chemistry B 122, S. 625–632, 2018

Oliynyk, A. O. et al.: High-Throughput Machine-Learning-Driven Synthesis of Full-Heusler Compounds. In: Chemistry of Materials 28, S. 7324–7331, 2016

Ryan, K. et al.: Crystal Structure Prediction via Deep Learning. In: Journal of the American Chemical Society 140, S. 10158–10168, 2018

Bitte erlauben Sie Javascript, um die volle Funktionalität von Spektrum.de zu erhalten.