Onderzoekers hebben een techniek ontwikkeld om de interne logica van neurale netwerken inzichtelijk te maken, waardoor de geometrie van materialenruimtes beter begrepen kan worden. Door gebruik te maken van getrainde 'neural tangent kernels' kunnen wetenschappers nu fysieke verbanden herleiden uit complexe voorspellingsmodellen.
In de moderne materiaalkunde worden neurale netwerken steeds vaker ingezet om de eigenschappen van nieuwe materialen te voorspellen. Hoewel deze modellen vaak zeer accuraat zijn, vormen ze een 'black box': de representaties die het netwerk leert over de fysica van materialen zijn doorgaans moeilijk te extraheren of te interpreteren voor menselijke onderzoekers. Een recent onderzoek, gepubliceerd op 20 oktober 2026, biedt echter een oplossing voor dit probleem door de inzet van de zogenaamde neural tangent kernel (NTK).
De rol van de Neural Tangent Kernel
De kern van de nieuwe methode ligt in het evalueren van de NTK op basis van de parameters van een reeds getraind netwerk. In het onderzochte scenario werd een neuraal netwerk getraind om de overgangstemperaturen van supergeleiders te voorspellen, waarbij enkel de elementaire samenstelling van de materialen als input diende.
Volgens de publicatie op arxiv.org stelt het gebruik van de getrainde NTK onderzoekers in staat om de geometrie te herstellen die het netwerk tijdens het leerproces heeft opgebouwd. Wanneer men kernel ridge regressie toepast met deze getrainde NTK, wordt de voorspellende prestatie van het oorspronkelijke netwerk nauwkeurig gereproduceerd. Dit is een significante verbetering ten opzichte van regressie met een initiële kernel, die aanzienlijk minder presteert.
Inzicht in supergeleidende families
De praktische waarde van deze benadering blijkt uit de analyse van de materialenruimte. Door middel van spectrale analyse en multidimensionale schaling is vastgesteld dat de geleerde geometrie wordt gedomineerd door een beperkt aantal richtingen. Dit betekent dat het netwerk complexe chemische data reduceert tot een paar cruciale fysieke dimensies.
De onderzoekers, waaronder Daniel Kaplan, Gabriel Kotliar en Anirvan M. Sengupta, tonen aan dat clustering en lokale buurtanalyse helpen om verbindingen te leggen tussen verschillende verbindingen. Zo kunnen materialen worden georganiseerd in herkenbare supergeleidende families. Opvallend is dat materialen met vergelijkbare chemische en gecorreleerde-elektroneneigenschappen aan elkaar gekoppeld worden, zelfs wanneer er substantiële verschillen zijn in hun overgangstemperatuur ($T_c$).
Brug tussen voorspelling en exploratie
De resultaten van dit onderzoek suggereren dat getrainde tangent kernels kunnen dienen als praktische instrumenten om geleerde representaties van materialen te onderzoeken. Hiermee wordt een brug geslagen tussen het louter voorspellen van een eigenschap en het daadwerkelijk verkennen van de materialenruimte.
Het artikel, dat is ingediend onder de categorieën materiaalkunde, supergeleiding en machine learning op , benadrukt dat deze methode de fysieke inhoud van neurale netwerken toegankelijk maakt. Hierdoor kunnen wetenschappers niet alleen weten wat de voorspelde eigenschap is, maar ook waarom bepaalde materialen door het model als vergelijkbaar worden beschouwd.
Hoewel andere informatiebronnen op dit moment geen aanvullende details bieden over de bredere implementatie van deze techniek, zoals blijkt uit de tijdelijk onbeschikbare diensten van co.uk, markeert dit onderzoek een belangrijke stap in de interpreteerbaarheid van AI binnen de natuurwetenschappen. De volledige details van de acht pagina's tellende studie zijn beschikbaar via de .