Er zijn generatieve kunstmatige-intelligentiemodellen gebruikt om enorme bibliotheken met theoretisch materiaal te creëren die allerlei soorten problemen kunnen helpen oplossen. Nu moeten wetenschappers alleen nog uitzoeken hoe ze ze kunnen maken.
In veel gevallen is de materiaalsynthese niet zo eenvoudig als het volgen van een recept in de keuken. Factoren zoals de temperatuur en de duur van de verwerking kunnen enorme veranderingen in de eigenschappen van een materiaal veroorzaken die de prestaties ervan bepalen of breken. Dat heeft het vermogen van onderzoekers beperkt om miljoenen veelbelovende, door modellen gegenereerde materialen te testen.
Nu hebben MIT-onderzoekers een AI-model gecreëerd dat wetenschappers door het proces van het maken van materialen leidt door veelbelovende syntheseroutes voor te stellen. In een nieuw artikel lieten ze zien dat het model state-of-the-art nauwkeurigheid biedt bij het voorspellen van effectieve syntheseroutes voor een klasse materialen die zeolieten worden genoemd en die kunnen worden gebruikt om katalyse-, absorptie- en ionenuitwisselingsprocessen te verbeteren. Op basis van zijn suggesties synthetiseerde het team een nieuw zeolietmateriaal dat verbeterde thermische stabiliteit vertoonde.
De onderzoekers geloven dat hun nieuwe model het grootste knelpunt in het materiaalontdekkingsproces zou kunnen doorbreken.
“Om een analogie te gebruiken: we weten wat voor soort cake we willen maken, maar op dit moment weten we niet hoe we de cake moeten bakken”, zegt hoofdauteur Elton Pan, een promovendus bij het Department of Materials Science and Engineering (DMSE) van MIT. “Materiaalsynthese gebeurt momenteel via domeinexpertise en vallen en opstaan.”
Het artikel waarin het werk wordt beschreven, verschijnt vandaag in Natuurcomputationele wetenschap. Pan op het papier voegt zich bij Soonhyoung Kwon ’20, PhD ’24; DMSE-postdoc Sulin Liu; chemische technologie PhD-student Mingrou Xie; DMSE-postdoc Alexander J. Hoffman; Onderzoeksassistent Yifei Duan SM ’25; DMSE-gaststudent Thorben Prein; DMSE-promovendus Killian Sheriff; MIT Robert T. Haslam hoogleraar chemische technologie Yuriy Roman-Leshkov; Professor Manuel Moliner van de Polytechnische Universiteit van Valencia; MIT Paul M. Cook Loopbaanontwikkeling Professor Rafael Gómez-Bombarelli; en MIT Jerry McAfee hoogleraar techniek Elsa Olivetti.
Leren bakken
Enorme investeringen in generatieve AI hebben ertoe geleid dat bedrijven als Google en Meta enorme databases hebben gecreëerd vol met materiaalrecepten die, althans theoretisch, eigenschappen hebben zoals hoge thermische stabiliteit en selectieve absorptie van gassen. Maar het maken van deze materialen kan weken of maanden van zorgvuldige experimenten vergen waarbij specifieke reactietemperaturen, -tijden, precursorverhoudingen en andere factoren worden getest.
“Mensen vertrouwen op hun chemische intuïtie om het proces te begeleiden”, zegt Pan. “Mensen zijn lineair. Als er vijf parameters zijn, kunnen we er misschien vier constant houden en één ervan lineair variëren. Maar machines zijn veel beter in redeneren in een hoogdimensionale ruimte.”
Het syntheseproces van materiaalontdekking neemt nu vaak de meeste tijd in beslag tijdens de reis van een materiaal van hypothese naar gebruik.
Om wetenschappers te helpen bij dat proces, hebben de MIT-onderzoekers een generatief AI-model getraind op basis van meer dan 23.000 recepten voor materiaalsynthese, beschreven in vijftig jaar aan wetenschappelijke artikelen. De onderzoekers voegden tijdens de training herhaaldelijk willekeurige ‘ruis’ toe aan de recepten, en het model leerde de ruis te verwijderen en uit de willekeurige ruis te samplen om veelbelovende syntheseroutes te vinden.
Het resultaat is DiffSyn, dat een benadering in AI gebruikt die bekend staat als diffusie.
“Diffusiemodellen zijn in feite een generatief AI-model zoals ChatGPT, maar lijken meer op het DALL-E-beeldgeneratiemodel”, zegt Pan. “Tijdens de inferentie wordt ruis omgezet in een betekenisvolle structuur door bij elke stap een klein beetje ruis af te trekken. In dit geval is de ‘structuur’ de syntheseroute voor een gewenst materiaal.”
Wanneer een wetenschapper die DiffSyn gebruikt een gewenste materiaalstructuur invoert, biedt het model enkele veelbelovende combinaties van reactietemperaturen, reactietijden, precursorverhoudingen en meer.
“Het vertelt je eigenlijk hoe je je cake moet bakken”, zegt Pan. “Je hebt een taart in gedachten, je voert die in het model, het model spuugt de syntheserecepten uit. De wetenschapper kan elk synthesepad kiezen dat hij wil, en er zijn eenvoudige manieren om het meest veelbelovende synthesepad te kwantificeren op basis van wat we bieden, wat we in ons artikel laten zien.”
Om hun systeem te testen, gebruikten de onderzoekers DiffSyn om nieuwe synthesepaden voor een zeoliet voor te stellen, een materiaalklasse die complex is en tijd nodig heeft om zich te vormen tot een testbaar materiaal.
“Zeolieten hebben een zeer hoogdimensionale syntheseruimte”, zegt Pan. “Zeolieten hebben ook de neiging om dagen of weken te kristalliseren, dus de impact (van het sneller vinden van de beste syntheseroute) is veel groter dan bij andere materialen die in uren kristalliseren.”
De onderzoekers waren in staat om het nieuwe zeolietmateriaal te maken met behulp van syntheseroutes voorgesteld door DiffSyn. Daaropvolgende testen onthulden dat het materiaal een veelbelovende morfologie had voor katalytische toepassingen.
“Wetenschappers hebben verschillende syntheserecepten één voor één uitgeprobeerd”, zegt Pan. “Dat maakt ze erg tijdrovend. Dit model kan er in minder dan een minuut duizend van bemonsteren. Het geeft je een zeer goede eerste inschatting van de syntheserecepten voor volledig nieuwe materialen.”
Rekening houden met complexiteit
Eerder hebben onderzoekers machine learning-modellen gebouwd die een materiaal in één recept in kaart brachten. Deze benaderingen houden er geen rekening mee dat er verschillende manieren zijn om hetzelfde materiaal te maken.
DiffSyn is getraind om materiaalstructuren in kaart te brengen op veel verschillende mogelijke synthesepaden. Pan zegt dat dit beter aansluit bij de experimentele realiteit.
“Dit is een paradigmaverschuiving van één-op-één mapping tussen structuur en synthese naar één-op-veel mapping”, zegt Pan. “Dat is een belangrijke reden waarom we sterke winsten op de benchmarks hebben behaald.”
In de toekomst zijn de onderzoekers van mening dat de aanpak zou moeten werken om andere modellen te trainen die de synthese van materialen buiten zeolieten begeleiden, waaronder metaal-organische raamwerken, anorganische vaste stoffen en andere materialen die meer dan één mogelijke syntheseroute hebben.
“Deze aanpak zou kunnen worden uitgebreid naar andere materialen”, zegt Pan. “Nu is het knelpunt het vinden van gegevens van hoge kwaliteit voor verschillende materiaalklassen. Maar zeolieten zijn ingewikkeld, dus ik kan me voorstellen dat ze dicht bij de bovengrens van de moeilijkheidsgraad liggen. Uiteindelijk zou het doel het koppelen van deze intelligente systemen aan autonome experimenten in de echte wereld zijn, en een agentische redenering op basis van experimentele feedback om het proces van materiaalontwerp dramatisch te versnellen.”
Het werk werd ondersteund door MIT International Science and Technology Initiatives (MISTI), de National Science Foundation, Generalitat Vaslenciana, het Office of Naval Research, ExxonMobil en het Agency for Science, Technology and Research in Singapore.
