LLMs schlagen PLS bei Vorhersage der mechanischen Eigenschaften von Polysulfonmembranen

In einer wegweisenden Studie wurden vier hochmoderne Large‑Language‑Models (LLMs) – DeepSeek‑V3, DeepSeek‑R1, ChatGPT‑4o und GPT‑5 – gegen die klassische Partial Least Squares‑Regression (PLS) getestet, um die mechanischen Eigenschaften von Polysulfon‑Membranen vorherzusagen.

Die Forscher nutzten strukturelle Deskriptoren wie Poren­durchmesser, Kontakt­winkel, Dicke und Porosität, um Youngsches Modul, Zugfestigkeit und Dehnung bei Bruch zu bestimmen. Trotz der extremen Datenknappheit, die experimentelle Studien häufig begleitet, zeigten die LLMs bei der Vorhersage der Dehnung einen deutlichen Vorteil: DeepSeek‑R1 und GPT‑5 senkten die mittlere quadratische Abweichung um mehr als 40 % und reduzierten die mittlere absolute Fehler von 11,63 % auf 5,18 %.

Ein weiterer bemerkenswerter Befund war die stark verkürzte Lauf‑zu‑Lauf‑Variabilität der LLMs – maximal 3 % – im Vergleich zu bis zu 47 % bei PLS. Für Youngsches Modul und Zugfestigkeit blieben die beiden Ansätze statistisch äquivalent, was darauf hindeutet, dass lineare Modelle für stark korrelierte Struktur‑Eigenschaftsbeziehungen ausreichend sind.

Die Analyse der Fehlertopologie ergab, dass die Regression‑zu‑Mittel‑Tendenz vor allem durch die Datenregime und nicht durch die Modellfamilie bedingt ist. Insgesamt beweist die Arbeit, dass LLMs besonders bei nichtlinearen, regelsensitiven Eigenschaften unter Bootstrap‑Instabilität herausragend sind, während PLS weiterhin eine solide Wahl für lineare, interpretierbare Beziehungen bleibt.