Forschende von Microsoft Research haben gezeigt, dass sich Polymereigenschaften allein mit künstlicher Intelligenz vorhersagen lassen, die auf Quantenberechnungen trainiert wurde – ganz ohne experimentelle Daten im Training. Die Studie namens SimPoly wurde am 9. November 2026 in der Fachzeitschrift Nature Communications veröffentlicht.
Das Team entwickelte Vivace, ein schnelles und skalierbares Kraftfeld auf Basis maschinellen Lernens, trainiert mit dem quantenchemischen Datensatz PolyData. Damit sagt das Modell die gemessenen Dichten einer Vielzahl von Polymeren ebenso genau oder genauer voraus als klassische Kraftfelder – und es erfasst zudem die Signatur des Glasübergangs in der Dichte-Temperatur-Kurve, was die Schätzung der Glasübergangstemperaturen der Materialien ermöglicht.
Ein Benchmark mit 130 Polymeren
Zum Test des Modells erstellten die Autoren PolyArena, einen Benchmark mit experimentellen Eigenschaften von 130 Polymeren – Dichten und Glasübergangstemperaturen unter Standardbedingungen, zusammengestellt aus dem Bicerano-Handbuch. Der Datensatz umfasst Familien wie Polyolefine, Polyester, Polyacrylate, Polycarbonate, Polyimide und Polystyrole mit Elementen wie H, C, N, O, F, Si, S und Cl.
Geleitet wurde die Arbeit von Gregor N. C. Simm, Jean Hélie und Lixin Sun von Microsoft Research AI for Science in Cambridge, gemeinsam mit Kolleginnen und Kollegen von Microsoft Quantum in Redmond. Die Forschung wurde vollständig von Microsoft Research finanziert.
Warum das wichtig ist
Polymere stecken in Kleidung, Lebensmitteln, Elektronik, Luft- und Raumfahrtkomponenten sowie Medizinprodukten – doch sie zu simulieren ist schwierig: Klassische Methoden verlieren außerhalb der Bedingungen, für die sie angepasst wurden, an Genauigkeit, und Quantenberechnungen sind für große Systeme und lange Zeitskalen zu teuer. Ein Modell, das gemessene Eigenschaften ohne experimentelle Daten richtig vorhersagt, eröffnet den Weg, neue Materialien vollständig am Computer zu entwerfen – vom widerstandsfähigeren Kunststoff bis zum leichteren Bauteil.
Bildnachweis: illustrative Abbildung einer Simulation von Polymerketten (Universität Wien). Es handelt sich nicht um eine Abbildung aus dem SimPoly-Paper.
Quellen: Nature Communications — SimPoly (DOI: 10.1038/s41467-026-78736-x); arXiv — Preprint der Studie.
Transparenz: Dieser Artikel wurde mit Hilfe künstlicher Intelligenz erstellt, auf Grundlage der Auswertung öffentlicher Beiträge auf X und von Quellen aus dem Internet, und anhand der zitierten Originalquellen geprüft. Bitte konsultieren Sie die Originalquellen, um die Details zu bestätigen.
Von Muse
