ODAC25 erweitert die computergestützte Suche nach DAC-Materialien
Mindverse News
KI-gestützt erstellt, vor Veröffentlichung redaktionell geprüft 4 Quellen
Das Wichtigste in Kürze
- ODAC25 umfasst laut Meta und den Autoren nahezu 70 Millionen DFT-Einzelpunktberechnungen für vier Gase in 15.000 metallorganischen Gerüstverbindungen. [4][5]
- Gegenüber ODAC23 erweitert der Datensatz die betrachteten Gase um Stickstoff und Sauerstoff und berücksichtigt unter anderem funktionalisierte sowie synthetisch erzeugte MOFs. [5]
- CuspAI gibt an, 53.000 synthetische MOFs generiert und daraus 460 Kandidaten für DFT-Berechnungen ausgewählt zu haben. [1]
- Ein Beitrag von CuspAI nennt 60 Millionen Berechnungen und eine Veröffentlichung in Nature Chemical Engineering; Meta und die bereitgestellte arXiv-Fassung nennen dagegen nahezu 70 Millionen beziehungsweise arXiv als Publisher. Die Quellen lösen diese Abweichungen nicht auf. [1][4][5]
- Der Datensatz und darauf trainierte ML-Potenziale sollen das rechnerische Screening beschleunigen. Die Quellen belegen damit jedoch noch keine industrielle DAC-Leistung oder praktisch einsetzbare Materialien. [5]
// Inhalt · 7 Abschnitte
- Ein größerer Datensatz – mit offenen Angaben zur Veröffentlichung
- Warum Feuchtigkeit und konkurrierende Gase wichtig sind
- Was ODAC25 enthält
- Mehr als zusätzliche Datenpunkte: Änderungen an der Berechnung
- Der Beitrag von CuspAI: generierte Strukturen und ausgewählte Kandidaten
- Maschinelles Lernen soll das Screening beschleunigen
- Was der offene Ansatz Unternehmen ermöglicht – und was nicht
- Quellen
Ein größerer Datensatz – mit offenen Angaben zur Veröffentlichung
Open DAC 2025, kurz ODAC25, soll die rechnergestützte Suche nach Materialien für Direct Air Capture (DAC) verbessern. Das Verfahren zielt darauf, Kohlendioxid direkt aus der Umgebungsluft zu entfernen. Meta beschreibt ODAC25 als Erweiterung des Vorgängers ODAC23; die zugrunde liegende Arbeit stellt Berechnungen zu 15.000 metallorganischen Gerüstverbindungen (MOFs) und vier Gasen vor. [4][5]
Bei der bibliografischen Einordnung weichen die bereitgestellten Quellen voneinander ab. Ein Beitrag von CuspAI vom 29. Oktober 2026 bezeichnet die Arbeit als in Nature Chemical Engineering veröffentlicht. Die Forschungsseite von Meta datiert den Eintrag dagegen auf den 4. August 2025 und nennt arXiv als Publisher; die vorliegende arXiv-Fassung ist mit dem 5. August 2025 gekennzeichnet. Eine Journalreferenz oder einen DOI, mit denen sich die Nature-Angabe überprüfen ließe, enthalten die verfügbaren Texte nicht. Die Veröffentlichung in der genannten Fachzeitschrift ist daher anhand dieser Quellen nicht unabhängig zu bestätigen. [1][4][5]
Warum Feuchtigkeit und konkurrierende Gase wichtig sind
Ein Material für DAC muss CO₂ aus sehr verdünnter Umgebungsluft aufnehmen. Zugleich beeinflussen Wasserdampf und weitere Luftbestandteile, welche Moleküle in die Poren eines Materials gelangen und dort gebunden werden. Die ODAC25-Arbeit benennt die Suche nach geeigneten Sorbentien für feuchte Luft ausdrücklich als Herausforderung. Sie erweitert die untersuchten Adsorbate deshalb über CO₂ und Wasser hinaus um Stickstoff und Sauerstoff. [5]
Für die Entwicklung ist nicht allein relevant, ob ein Material CO₂ bindet. Entscheidend ist auch, wie selektiv es gegenüber anderen Gasen ist und wie viel Energie für die anschließende Regeneration benötigt wird. Die Arbeit führt energieintensive Regeneration als Problem bestehender Sorbentien an und beschreibt MOFs als anpassbare, poröse Materialklasse, die für DAC untersucht wird. Das macht Berechnungen unter mehreren Gasbedingungen für die Kandidatensuche relevanter als eine Betrachtung von CO₂ allein. [5]
Die Vorgängerarbeit OpenDAC 2023 hatte bereits mehr als 38 Millionen DFT-Berechnungen für CO₂ und Wasser in 8.400 MOFs bereitgestellt. Georgia Tech beschrieb diesen Datensatz als Grundlage für Modelle, die Wechselwirkungen zwischen MOFs und CO₂ schneller vorhersagen sollten als herkömmliche quantenchemische Simulationen. ODAC25 baut darauf auf, verändert aber sowohl Umfang als auch Zusammensetzung der berechneten Fälle. [3][5]
Was ODAC25 enthält
Die Meta-Forschungsseite und die arXiv-Arbeit beschreiben ODAC25 als Datensatz mit nahezu 70 Millionen DFT-Einzelpunktberechnungen für Adsorption von CO₂, H₂O, N₂ und O₂ in 15.000 MOFs. Der Datensatz soll sowohl die chemische Vielfalt der Materialien als auch verschiedene Konfigurationen der Gase in den Gerüststrukturen abdecken. [4][5]
Die Arbeit nennt drei zentrale Wege, diese Vielfalt zu erhöhen: funktionalisierte MOFs, zusätzliche Konfigurationen aus Grand-Canonical-Monte-Carlo-Simulationen sowie synthetisch erzeugte Gerüststrukturen. Bei der Funktionalisierung werden unter anderem Linker und offene Metallstellen verändert. Solche Varianten erweitern den untersuchten chemischen Raum, sind aber nicht automatisch gleichbedeutend mit experimentell hergestellten oder praktisch geeigneten Materialien. [5]
Die Angaben zur Gesamtgröße unterscheiden sich. CuspAI spricht in seinem Beitrag von 60 Millionen DFT-Berechnungen; Meta und die arXiv-Arbeit nennen nahezu 70 Millionen. Die Quellen erklären nicht, ob die Differenz auf unterschiedliche Zählweisen, Versionen oder Teilmengen zurückgeht. Für eine präzise Einordnung sollte daher die konkrete Definition der jeweils ausgewiesenen Berechnungen berücksichtigt werden, statt beide Zahlen ohne Vorbehalt gleichzusetzen. [1][4][5]
Mehr als zusätzliche Datenpunkte: Änderungen an der Berechnung
ODAC25 soll nicht nur größer sein als ODAC23, sondern auch methodische Probleme der Vorgängerfassung adressieren. Die Autoren berichten, dass sie MOF-Strukturen mit dem Prüfwerkzeug MOFChecker kontrollierten. Zugleich weisen sie darauf hin, dass die Aussagekraft bestimmter semiempirischer Prüfungen, etwa zu Oxidationszuständen, unklar sei. Deshalb blieben auch Strukturen im vollständigen Datensatz, die das Werkzeug als problematisch markiert hatte; Anwender können laut Arbeit zwischen einer gefilterten und einer vollständigen Fassung wählen. [5]
Ein weiterer Schritt betrifft die Konvergenz der DFT-Berechnungen. Die Autoren berichten, dass die in ODAC23 verwendete Abtastung im reziproken Raum bei einem Teil der untersuchten Fälle merkliche systematische Energiefehler verursachen konnte. Für ODAC25 korrigierten sie diese Fehler mit zusätzlichen Berechnungen an Anfangs- und Endpunkten von Relaxationstrajektorien. Ihren Tests zufolge sank der Fehler der Gesamtenergie dadurch auf ungefähr 0,01 Elektronenvolt; die Korrektur habe weniger als ein Prozent der Rechenkosten eines vollständigen erneuten Durchlaufs verursacht. [5]
Die Arbeit behandelt außerdem die Flexibilität der MOFs. Adsorbierte Moleküle können die Gerüststruktur verändern; eine erneute Relaxation des leeren Gerüsts kann zu einem energetisch günstigeren Zustand führen als die ursprüngliche Referenzstruktur. Weil die Wahl dieser Referenz die berechnete Adsorptionsenergie beeinflusst, verwendeten die Autoren für ODAC25 jeweils die niedrigste verfügbare Energie des erneut relaxierten leeren MOFs. Sie berichten, dass sich dadurch die Verteilungen der Adsorptionsenergien gegenüber den Werten aus ODAC23 verschieben. [5]
Der Beitrag von CuspAI: generierte Strukturen und ausgewählte Kandidaten
CuspAI hebt in seinem Beitrag einen eigenen Teil der Arbeit hervor: Das Unternehmen habe mithilfe generativer KI 53.000 synthetische MOFs erzeugt und daraus 460 unterschiedliche Kandidaten für DFT-Berechnungen ausgewählt. Nach Darstellung des Unternehmens hatten diese Kandidaten größere Poren, höhere Oberflächen und geringere Dichten als bekannte experimentelle Strukturen. Diese Angaben stammen aus dem Beitrag von CuspAI; sie sind in den bereitgestellten Auszügen der Meta-Seite und der arXiv-Arbeit nicht unabhängig im Detail aufgeschlüsselt. [1][4][5]
Die Größenordnung verdeutlicht zugleich einen wesentlichen Unterschied zwischen Materialgenerierung und Materialentwicklung: Die 53.000 synthetisch erzeugten Strukturen sind nicht gleichbedeutend mit 53.000 praktisch verfügbaren Sorbentien. Auch die 460 für DFT ausgewählten Gerüste sind zunächst rechnerisch untersuchte Kandidaten. Die Quellen belegen weder, dass diese Strukturen synthetisiert wurden, noch dass sie unter realen Betriebsbedingungen CO₂ effizient aufnehmen oder regeneriert werden können. [1][5]
Maschinelles Lernen soll das Screening beschleunigen
Dichtefunktionaltheorie (DFT) dient in der Arbeit als quantenchemisches Verfahren zur Berechnung von Energien und Kräften in den untersuchten Material- und Gasstrukturen. Solche Berechnungen sind laut den Autoren aufwendig. Maschinell gelernte interatomare Potenziale sollen aus DFT-Daten lernen, diese Größen für weitere Konfigurationen schneller vorherzusagen. Damit können Modelle ein größeres Screening unterstützen, ohne jede Kandidatenkonfiguration erneut mit derselben aufwendigen quantenchemischen Methode berechnen zu müssen. [1][5]
Zusammen mit ODAC25 stellen die Autoren nach eigener Darstellung mehrere auf dem Datensatz trainierte Modelle bereit, darunter EquiformerV2, eSEN und UMA. Sie evaluieren diese Modelle für die Vorhersage von Energien und Kräften sowie für Adsorptionsenergien und Henry-Koeffizienten. Die in den Quellen enthaltenen Auszüge nennen jedoch keine konkreten Fehlerwerte oder vollständigen Benchmark-Ergebnisse. [4][5]
CuspAI erklärt zusätzlich, ein quelloffenes Softwarewerkzeug für Gas-Material-Wechselwirkungen veröffentlicht und damit gezeigt zu haben, dass ML-Modelle Bindungsenergien unter realitätsnahen Bedingungen genau vorhersagen können. Das ist eine Aussage des Unternehmens. Die bereitgestellten Auszüge aus der Forschungsbeschreibung und dem Paper bestätigen zwar die Veröffentlichung von Modellen und ihre Evaluation, enthalten aber nicht die Zahlen, die eine unabhängige Einordnung dieser Genauigkeitsbehauptung erlauben würden. [1][4][5]
Was der offene Ansatz Unternehmen ermöglicht – und was nicht
Für Unternehmen aus Materialentwicklung, Chemie und Klimaschutz liegt der mögliche Nutzen zunächst in einer breiteren rechnerischen Vorauswahl. Ein gemeinsamer Datensatz mit mehreren Gasen, zahlreichen MOF-Varianten und Informationen zur strukturellen Flexibilität kann helfen, Kandidaten und Modellierungsansätze unter vergleichbaren Bedingungen zu untersuchen. Die Autoren beschreiben ODAC25 ausdrücklich als Grundlage für Modelltraining, Benchmarking und die rechnergestützte Suche nach Sorbentien. [5]
Die Offenheit kann zudem die Nachnutzung durch Forschungsteams erleichtern: Meta bezeichnet ODAC25 als Open Dataset, die arXiv-Fassung führt eine CC-BY-4.0-Lizenz auf und nennt ein öffentliches Code-Repository. Für die betriebliche Nutzung sollten Sie dennoch jeweils Lizenzbedingungen, Datenversion, Filterung und konkrete Modell- und Benchmarkdefinition prüfen. Die Arbeit selbst unterscheidet zwischen gefilterten und vollständigen Datensätzen, was für die Vergleichbarkeit von Ergebnissen relevant sein kann. [4][5]
Als Analyse folgt daraus kein Nachweis für die Wirtschaftlichkeit einer DAC-Anlage. Die berechneten Adsorptionsenergien und Modellbenchmarks beantworten nicht allein, ob ein Material in realen Luftströmen ausreichend selektiv ist, sich über viele Zyklen regenerieren lässt oder sich fertigen und einsetzen lässt. Die Arbeit verweist selbst auf Herausforderungen bei der MOF-Synthese und auf den Energiebedarf der Regeneration; konkrete Anlagenleistung oder betriebliche Kosten weist sie in den vorliegenden Texten nicht nach. [5]
ODAC25 ist damit vor allem ein Forschungs- und Screening-Instrument. Sein Nutzen für industrielle Entwicklung hängt davon ab, ob rechnerisch aussichtsreiche Kandidaten anschließend experimentell geprüft und mit den Anforderungen des jeweiligen Prozesses abgeglichen werden. Diese Folgerung ist eine Einordnung der beschriebenen Datengrundlage: Die Quellen dokumentieren Simulationen und Modellbewertungen, nicht den erfolgreichen Transfer eines Kandidaten in eine DAC-Anlage. [5]
Quellen
- [1] RT by @AIatMeta: 🧵We’re sharing ODAC25, the largest open dataset to date for Direct Air Capture materials ☁️ Published in @NatChemEng with @AIatMeta @GeorgiaTech, and leading academic partners. — https://x.com/cusp_ai/status/2115842540612059337 (abgerufen am 2026-10-29)
- [3] Georgia Tech and Meta Create Massive Open Dataset to Advance AI Solutions for Carbon Capture — https://www.gatech.edu/news/2024/05/02/georgia-tech-and-meta-create-massive-open-dataset-advance-ai-solutions-carbon (abgerufen am 2026-10-29)
- [4] The Open DAC 2025 Dataset for Sorbent Discovery in Direct Air Capture | Research - AI at Meta — https://ai.meta.com/research/publications/the-open-dac-2025-dataset-for-sorbent-discovery-in-direct-air-capture (abgerufen am 2026-10-29)
- [5] The Open DAC 2025 Dataset for Sorbent Discovery in Direct Air Capture — https://arxiv.org/html/2508.03162v1 (abgerufen am 2026-10-29)
//Nächster Artikel
OpenAI
OpenAI verdoppelt Nutzungskontingente in mehreren Pro-TarifenOpenAI verdoppelt Work- und Codex-Kontingente mehrerer Pro-Tarife. Warum die Anpassung nicht automatisch doppelt so viel erledigte Arbeit bedeutet.
// Artikel teilen
// Dranbleiben
Mindverse News folgen
Neue Meldungen erhalten Sie über unseren RSS-Feed oder auf LinkedIn.
Passend dazu in Mindverse Studio
Recherchieren Sie KI-News wie diese selbst — mit Mindverse Studio.
7 Tage kostenlos testen — ohne Kreditkarte, mit 200 Credits. Für Fragen zur Umsetzung buchen Sie eine persönliche Demo.
//Chronik