Populaire wetenschappelijke AI-modellen die nieuwe materialen ontwerpen krijgen een steuntje in de rug. In een nieuw onderzoek presenteren wetenschappers SCIGEN: een extra stuk code dat generatieve AI-modellen tijdens het ontwerpen volgens specifieke geometrische spelregels laat werken. Daarmee sturen ze de AI naar structuren die bekendstaan om hun kwantumeigenschappen. De resultaten zijn te vinden in Nature Materials.
Bij veel generatieve modellen staat stabiliteit bovenaan. Dat is logisch, maar volgens het team niet per se wat je wil als je doorbraken zoekt. “De modellen van grote bedrijven genereren materialen die geoptimaliseerd zijn voor stabiliteit,” zegt wetenschapper Mingda Li. “Onze visie is dat de wetenschap op dit vlak vaak anders vooruitgang boekt. We hebben geen tien miljoen nieuwe materialen nodig om de wereld te veranderen, we hebben één heel goed materiaal nodig.”
De afgelopen decennia hebben onderzoekers gemerkt dat, naast andere factoren, ook de geometrische structuur van een stof uiteindelijk een groot effect kan hebben op welke eigenschappen deze heeft. Die ene doorbraak vind je waarschijnlijk dan ook vaker bij stoffen die uitzonderlijke, geometrisch ‘bijzondere’ structuren bevatten.
SCIGEN
SCIGEN, voluit Structural Constraint Integration in GENerative model, is in feite niets meer dan een extra ‘controlelaag’ die ervoor zorgt dat AI-modellen vooral genereren met deze bijzondere structuren in het achterhoofd. De huidige wetenschappelijke worden ook wel diffusion models genoemd: AI-systemen die nieuwe structuren genereren door te variëren op hun trainingsdata.
SCIGEN dwingt zulke modellen stap voor stap om te voldoen aan vooraf opgegeven geometrische regels en blokkeert generaties die daarvan afwijken. Zo kun je gericht zoeken naar roosterpatronen die in de literatuur in verband zijn gebracht met kwantumeffecten. “In de quantumgemeenschap hechten mensen echt aan deze geometrische beperkingen,” legt Li uit. “We hebben materialen gecreëerd die het gedrag van zeldzame aardelementen kunnen nabootsen, en dus mogelijk van groot belang zijn.”
Verkeersleider
Om SCIGEN te testen koppelden de onderzoekers het aan DiffCSP, een bekend AI-generatiemodel voor materialen. Met SCIGEN als ‘verkeersleider’ genereerde het model meer dan 10 miljoen kandidaten. Daarvan doorstonden ongeveer 1 miljoen een eerste stabiliteitstest. Op supercomputers van Oak Ridge National Laboratory werden vervolgens 26.000 veelbelovende structuren tot in detail doorgerekend; 41 procent daarvan vertoonde magnetisme in de simulaties. Twee voorspelde verbindingen—TiPdBi en TiPbSb—zijn vervolgens in de laboratoria van Michigan State University en Princeton University daadwerkelijk gesynthetiseerd. Metingen laten zien dat hun eigenschappen in grote lijnen overeenkomen met de AI-voorspellingen.
De stoffen zijn gegenereerd volgens een bepaalde structuur die ook wel een ‘Archimedisch rooster’ wordt genoemd. Die keuze is niet toevallig. “Archimedische roosters leveren zogeheten vlakke banden op, die eigenschappen van zeldzame-aardelementen kunnen nabootsen zónder die elementen zelf te zijn. Ze zijn hierdoor erg belangrijk,” zegt mede-onderzoeker Mouyang Cheng. “Andere materialen met zo’n rooster hebben grote poriën die kunnen worden gebruikt voor CO₂-opvang en andere toepassingen.”
Supergeleider
De bredere relevantie is duidelijk: gericht genereren versnelt de zoektocht in velden waar de geometrie een noodzakelijke voorwaarde is. Dat geldt bijvoorbeeld voor supergeleiders. “Er is een grote zoektocht naar materialen voor kwantumcomputers en supergeleiders,” zegt mede-wetenschapper Weiwei Xie. Teamlid Robert Cava vult aan: “De vooruitgang op dit vlak is heel traag. Veel van deze materialen moeten een specifiek rooster volgen. Als materialen daaraan voldoen, worden onderzoekers enthousiast. Door heel veel materialen te genereren die zo’n rooster bevatten krijgen experimentele teams meteen honderden of duizenden extra kandidaten om te onderzoeken.”
De onderzoekers benadrukken dat experimenten onmisbaar blijven: een AI-ontwerp is pas een doorbraak als het syntheseerbaar blijkt en de gemeten eigenschappen kloppen. SCIGEN kan in toekomstig werk uitgebreid worden met extra chemische en functionele randvoorwaarden, zodat het model ook gerichter stuurt op bruikbaarheid in toepassingen. Of zoals chemist Ryotaro Okabe het verwoordt: “Mensen die de wereld willen veranderen geven meer om de eigenschappen van een materiaal dan om de stabiliteit ervan. Met onze aanpak daalt het aandeel stabiele materialen, maar zorgt het tegelijkertijd voor een manier om een heleboel veelbelovende materialen te genereren.”
Luister ook naar de Scientias Podcast:
