Forschungsergebnisse

1.Konferenzposter bei AIMSE, 2023 (22.–23. November, Saarbrücken, Deutschland): Eine zweijährlich stattfindende Konferenz, organisiert von der DGM, mit Fokus auf den Einsatz von KI in Teilbereichen der Materialwissenschaft & -technik. Mein Beitrag im Bereich Eigenschafts-/Mikrostrukturvorhersage zeigte, dass die Gleichungsentdeckung mittels SINDy ein dynamisches System (2 unabhängige magnetostriktive Anregungskanäle) allein aus Zeitreihendaten korrekt abbildet. Die abgebildete Dynamik wurde gegen das analytische Steifigkeitsverhalten (Kraft-Auslenkungs-Kurve), das Dämpfungsverhalten (Phasenporträts) und die potenzielle Energiefläche (selbsterregt-verhärtet vs. linear) des jeweils betrachteten Duffing-Oszillators validiert. Für einen tieferen Einblick siehe unten.

2.Neuro-symbolischer Wissensgraph zum Screening von Halbleiter-Bandlücken, bereitgestellt 2026: Ein feingetunter Llama-3.2-(3B)-LoRA-Adapter übersetzt natürlichsprachliche Fragen in SPARQL, ausgeführt gegen einen RDF-Graphen aus 150.987 Materials-Project-Einträgen (1,36 Mio. Tripel). Ein deterministischer Sanitizer sitzt zwischen Modell und Graph, korrigiert und erzwingt das Schema für jede generierte Abfrage, statt der rohen Modellausgabe zu vertrauen. Der Graph ermöglicht ein symmetriebewusstes Screening in einer einzigen Abfrage — z. B. nicht-zentrosymmetrische Materialien mit einer Bandlücke über 2,5 eV, ein notwendiges Kriterium für Kandidaten nichtlinear-optischer Anwendungen —, das 9.429 von 150.987 Materialien mit angehängter Provenienz zurückgibt. Die Knotenidentität wurde auf die material_id des Materials Project umgestellt, nachdem festgestellt wurde, dass eine formelbasierte Identität stillschweigend 48.569 Einträge über unterschiedliche Strukturphasen hinweg zusammengeführt hatte; die Unterscheidbarkeit der Phasen wurde unabhängig mit dem StructureMatcher von pymatgen verifiziert (91,6 % der Mehrfach-Einträge als strukturell unterschiedlich bestätigt). Die Generalisierung des feingetunten Abfragemodells wurde explizit an einem Elementpaar getestet, das in keiner der 97 trainierten Kombinationen enthalten war, statt sich allein auf die Verlustkurve zu verlassen. Siehe unten für die Live-Schnittstelle und die vollständige Pipeline.

3.EMA-GNN — Strukturelles Graph Neural Network zur Vorhersage der Bildungsenergie, Matbench Discovery, gemergt am 12.08.2026: Ein Message-Passing-GNN, das die Bildungsenergie pro Atom direkt aus einer unrelaxierten Kristallstruktur vorhersagt, ohne Relaxationsschritt bei der Inferenz. Die Architektur folgt dem in Merchant et al. (GNoME, Nature 2023) beschriebenen Strukturmodell als Ausgangshypothese statt als Annahme — eine unabhängige Hyperparametersuche über Breite, Tiefe, Aktivierung und Lernrate, ausgeführt auf den eigenen Daten dieses Projekts, konvergierte zur selben Konfiguration wie im Paper berichtet. Im Benchmark auf dem WBM-Testdatensatz (256.963 Strukturen) gegen fünf weitere Direkt-Vorhersage-Modelle (IS2E) im Leaderboard erreicht EMA-GNN Platz 1 nach MAE (0,084 eV/Atom) und R² (0,387) sowie Platz 2 nach F1 (0,566, innerhalb von 0,002 zum Spitzenwert) — Kennzahlen, die von der Matbench-Discovery-Bewertungspipeline selbst neu berechnet und maßgeblich festgelegt wurden, nicht selbst berichtet. Zwei methodische Fehler wurden während der Entwicklung entdeckt und korrigiert statt erst im Nachhinein: eine anfängliche mittelwertbasierte Aggregation der Test-Time-Augmentation (das Paper spezifiziert das Minimum) sowie ein naiver Stabilitätsschwellenwert, der Exothermie mit thermodynamischer Stabilität verwechselte (die Korrektur auf ein Hull-Distanz-basiertes Scoring erhöhte den F1-Wert von ≈0,34 auf 0,56, ohne das Modell selbst zu verändern). Checkpoints und Vorhersagen sind auf Figshare unter einer permanenten DOI archiviert.