KI findet fehlende Wasserstoffatome in Kristallen mit 97 Prozent Genauigkeit

Wasserstoff ist das unscheinbarste Element des Universums. Ein einzelnes Proton, ein einzelnes Elektron - fast körperlos. Doch eben diese Leichtigkeit macht es für die Materialwissenschaft zu einer großen Herausforderung. In unzähligen Kristallen entscheidet die Position von Wasserstoffatomen über Stabilität, Reaktivität und sogar über die Farbe eines Stoffes. Nur: Sehen kann man sie kaum. Röntgenstrahlen streuen an Wasserstoff fast gar nicht, Elektronenbeugung liefert nur vage Hinweise, und Neutronenquellen sind rar und teuer. Wer verstehen will, wie ein Wirkstoff an sein Zielmolekül bindet, wie ein Katalysator Wasser spaltet oder wie ein Werkstoff Wasserstoff einlagert, stochert oft im Nebel. Eine Publikation, die nun für Aufsehen sorgt, verspricht Abhilfe - und sie kommt aus einem unerwarteten Winkel: Microsofts Material-KI MatterGen spürt fehlende Wasserstoffatome in Kristallgittern mit einer Erfolgsquote von 97 Prozent auf.

Die Zahl klingt nach einer Sensation, und sie ist eine. Denn die korrekte Vorhersage von Wasserstoffpositionen galt bislang als eine der hartnäckigsten Hürden der Strukturaufklärung. Dass ausgerechnet ein Modell, das ursprünglich zur Generierung neuer Materialien entwickelt wurde, diese Lücke füllt, zeigt, wie sehr künstliche Intelligenz die Spielregeln in der Festkörperchemie verschiebt.

Warum das kleinste Atom so große Rätsel aufgibt

Um die Leistung von MatterGen einzuordnen, muss man verstehen, warum Wasserstoff in Kristallen so schwer zu fassen ist. Ein Kristall ist eine regelmäßige Anordnung von Atomen im Raum. Strukturanalyseverfahren wie die Röntgenbeugung tasten die Elektronenhülle der Atome ab. Je mehr Elektronen ein Atom besitzt, desto deutlicher sein Signal im Beugungsbild. Wasserstoff hat nur ein einziges Elektron - entsprechend blass bleibt sein Abbild. In vielen veröffentlichten Kristallstrukturen werden Wasserstoffatome daher gar nicht oder nur rechnerisch an plausiblen Positionen eingefügt. Das kann dramatische Folgen haben: Ein Enzym, dessen Wasserstoffbrücken falsch modelliert sind, bindet einen Wirkstoff im Computermodell vielleicht perfekt, in der Realität aber gar nicht. Ein Festkörperelektrolyt, bei dem die Sprungplätze der Protonen nicht bekannt sind, lässt sich nicht gezielt verbessern.

Klassisch helfen Neutronen weiter, weil sie mit den Atomkernen wechselwirken und Wasserstoffkerne einen starken Kontrast liefern. Doch Neutronenquellen wie Forschungsreaktoren oder Spallationsquellen sind Großgeräte mit monatelangen Wartezeiten und hohen Kosten. Die Alternative - quantenchemische Simulationen - braucht enorme Rechenleistung und scheitert oft an der schieren Vielfalt möglicher Anordnungen. Genau hier setzt die KI an.

MatterGen: Ein Modell lernt die Sprache der Kristalle

MatterGen ist ein generatives KI-Modell, das Microsoft Research entwickelt hat. Anders als ein Bildgenerator, der aus einer Textbeschreibung Pixelmuster erzeugt, arbeitet MatterGen mit atomaren Koordinaten und chemischen Elementen. Ausgehend von einer einfachen Vorgabe - welche Atomsorten in welchem Verhältnis vorkommen sollen - konstruiert das Modell plausible Kristallstrukturen, die physikalisch stabil sind. Die Forscher trainierten das System mit Millionen bekannter Strukturen aus Materialdatenbanken. Auf diese Weise verinnerlichte die KI die komplexen Regeln, nach denen Atome Gitterplätze besetzen, Bindungslängen einhalten und Symmetrien wahren.

Für die Wasserstoffproblematik ist das ein Glücksfall. Denn das Modell kennt nicht nur die Plätze schwerer Atome wie Kohlenstoff, Sauerstoff oder Metallionen, sondern auch die bevorzugten Lagen von Wasserstoff, die sich aus Bindungschemie und Elektrostatik ergeben. Bei der Vorhersage fehlender Wasserstoffatome erreicht es eine Trefferquote von 97 Prozent, wie eine aktuelle Studie zeigt. Das bedeutet: In fast allen getesteten Fällen platziert MatterGen die Wasserstoffatome an exakt den Positionen, die später durch aufwändige Neutronenexperimente bestätigt wurden. Das ist ein Quantensprung gegenüber älteren Algorithmen, die oft nur Raten konnten.

Vom Medikamentendesign bis zur Wasserstoffwirtschaft

Die Anwendungen dieser Fähigkeit sind breit gefächert. In der pharmazeutischen Forschung zum Beispiel hängen Bindungskräfte zwischen Wirkstoff und Protein häufig von Wasserstoffbrücken ab. Wenn die genaue Geometrie dieser Brücken nicht bekannt ist, wird die computergestützte Medikamentenentwicklung zur Lotterie. Eine verlässliche KI-Vorhersage könnte den Entdeckungsprozess enorm beschleunigen.

Auch für die Energie- und Umwelttechnologie ist präzises Wasserstoffwissen unverzichtbar. Die Speicherung von Wasserstoff in Festkörpern - etwa in Metallhydriden - gilt als Schlüssel für emissionsfreie Mobilität und dezentrale Energiespeicher. Wie viel Wasserstoff sich in ein Gitter einlagern lässt und wie schnell er wieder herauskommt, hängt von den exakten Positionen der Protonen ab. MatterGen könnte helfen, vielversprechende Speichermaterialien schneller zu identifizieren, ohne jede Variante experimentell durchmessen zu müssen.

Ein weiteres Feld ist die Katalyse. In Brennstoffzellen, bei der Elektrolyse von Wasser oder in chemischen Syntheseschritten spielen Übergangsmetallverbindungen oft mit angelagertem Wasserstoff eine tragende Rolle. Wer die atomare Umgebung des Wasserstoffs kennt, versteht die katalytische Aktivität besser und kann sie durch gezielte Dotierung oder Legierungsbildung optimieren.

Die Vorteile im Überblick:

• Schnellere Wirkstoffentwicklung: Verlässliche Wasserstoffmodelle reduzieren Fehlschläge beim computergestützten Screening.
• Bessere Energiematerialien: Optimierte Wasserstoffspeicher und Katalysatoren durch präzise Strukturbilder.
• Einsparung von Ressourcen: Weniger Abhängigkeit von teuren Neutronenmessungen.
• Fundamentalverständnis: Wasserstoffbrückennetzwerke in Proteinen, Wasser und Mineralien werden greifbar.

Grenzen und der Blick nach vorn

Trotz der beeindruckenden Quote bleibt MatterGen ein Werkzeug der Theorie, das die experimentelle Überprüfung nicht ersetzt. Auch die 97 Prozent beziehen sich auf einen bestimmten Satz von Teststrukturen; in ungewöhnlichen Materialien mit völlig neuen Bindungssituationen könnte die Treffsicherheit geringer ausfallen. Zudem setzt das Modell voraus, dass die Positionen der schwereren Atome bereits bekannt sind - es ergänzt, es entdeckt nicht von Grund auf. Die größte Unbekannte ist die Übertragbarkeit auf dynamische Systeme, etwa Protonenleiter, in denen Wasserstoffatome nicht an festen Plätzen sitzen, sondern durch das Gitter wandern.

Dennoch markiert der Erfolg von MatterGen eine Zeitenwende. Material-KI hat den Sprung von der groben Klassifikation zur atomgenauen Vorhersage geschafft. Die Entwicklung reiht sich ein in eine neue Generation von Werkzeugen, die physikalisches Wissen und Mustererkennung vereinen und damit jenen blinden Fleck erhellen, den das kleinste aller Atome so lange besetzt hielt. Wenn ausgerechnet ein Software-Konzern die versteckten Wasserstoffatome sichtbar macht, sagt das viel über den Wandel der Materialforschung. Sie wird digital, datenhungrig und immer präziser - auch dort, wo menschliche Intuition längst an ihre Grenzen stößt.

Die Studie selbst ist noch ein erster Schritt. Doch schon jetzt ist klar: Wer in Zukunft neue Materialien entwirft, wird sich nicht mehr mit der Frage herumschlagen müssen, wo der Wasserstoff steckt. Die Antwort kommt aus der Cloud.

Quellen:

• Ocean glow meets 3D printing with living gels that sense mechanical force (Phys.org)
• Beyond Either-Or Mindsets: Lessons for the Hybrid Era (Psychology Today - Articles)
• AI tracks missing hydrogen atoms in crystals with 97% success rate (Phys.org)
• Bidirectional manipulation of gate-free quantum electronic states via semiconductor interface engineering (Phys.org)
• Killer robots are here - we must finally decide whether to accept them (New Scientist)
• If scientists discover aliens, they have a plan for ‘disclosure day’ (Science - News)

// weiterlesenGPT-6 Cyber findet 81 Sicherheitslücken in FirefoxNachrichtenKI Videos erstellen kostenlos: Limits, Wasserzeichen, RechteKI-WerkzeugeRaven: Wie KI Ihr Zuhause anhand eines Fotos findetMagazin

Kinetyra