Generativní modely umělé inteligence dokážou vytvořit obrovské knihovny teoretických materiálů, které by mohly pomoci vyřešit nejrůznější problémy. Vědci však nyní čelí výzvě, jak tyto materiály skutečně vyrobit.
Syntéza materiálů není v mnoha případech tak jednoduchá jako následování receptu v kuchyni. Faktory jako teplota a délka zpracování mohou způsobit obrovské změny ve vlastnostech materiálu, které rozhodují o jeho výkonu. To dosud omezovalo schopnost výzkumníků testovat miliony slibných materiálů generovaných modely.
Výzkumníci z MIT nyní vytvořili AI model, který vede vědce procesem výroby materiálů tím, že navrhuje slibné cesty syntézy. V nové studii prokázali, že model dosahuje špičkové přesnosti při předpovídání účinných cest syntézy pro třídu materiálů zvaných zeolity, které lze využít ke zlepšení katalýzy, absorpce a procesů výměny iontů. Podle jeho návrhů tým syntetizoval nový zeolitový materiál, který vykazoval zlepšenou tepelnou stabilitu.
Učení se péct materiálový dort
Elton Pan, doktorand na Katedře materiálových věd a inženýrství MIT a hlavní autor studie, vysvětluje problém pomocí analogie: "Víme, jaký dort chceme upéct, ale právě teď nevíme, jak dort upéct. Syntéza materiálů se v současnosti provádí prostřednictvím odborných znalostí a pokusů a omylů." Studie popisující tuto práci byla publikována v časopise Nature Computational Science.
Masivní investice do generativní AI vedly společnosti jako Google a Meta k vytvoření obrovských databází plných receptů na materiály, které mají teoreticky vlastnosti jako vysoká tepelná stabilita a selektivní absorpce plynů. Výroba těchto materiálů však může vyžadovat týdny nebo měsíce pečlivých experimentů, které testují specifické reakční teploty, časy, poměry prekurzorů a další faktory.
"Lidé se spoléhají na svou chemickou intuici, která proces řídí," říká Pan. "Lidé jsou lineární. Pokud existuje pět parametrů, můžeme čtyři z nich udržovat konstantní a jeden z nich měnit lineárně. Ale stroje jsou mnohem lepší v uvažování ve vysokodimenzionálním prostoru." Proces syntézy při objevování materiálů nyní často zabere nejvíce času na cestě materiálu od hypotézy k použití.
AI model DiffSyn a jeho fungování
Aby vědcům pomohli tento proces zvládnout, výzkumníci z MIT trénovali generativní AI model na více než 23 000 receptech syntézy materiálů popsaných v průběhu 50 let vědeckých prací. Výzkumníci během tréninku iterativně přidávali náhodný "šum" do receptů a model se naučil odstraňovat šum a vzorkovat z náhodného šumu, aby našel slibné cesty syntézy. Výsledkem je DiffSyn, který využívá přístup v AI známý jako difuze.
"Difuzní modely jsou v podstatě generativní AI model jako ChatGPT, ale spíše jako model generování obrázků DALL-E," vysvětluje Pan. "Během inference převádí šum na smysluplnou strukturu tím, že v každém kroku odečte trochu šumu. V tomto případě je 'strukturou' cesta syntézy pro požadovaný materiál."
Když vědec používající DiffSyn zadá požadovanou strukturu materiálu, model nabídne některé slibné kombinace reakčních teplot, reakčních časů, poměrů prekurzorů a dalších parametrů. "V podstatě vám řekne, jak upéct váš dort," říká Pan. "Máte dort na mysli, vložíte ho do modelu, model vyplivne recepty syntézy. Vědec si může vybrat jakoukoli cestu syntézy, kterou chce, a existují jednoduché způsoby, jak kvantifikovat nejslibnější cestu syntézy z toho, co poskytujeme, což ukazujeme v našem článku."
Test na zeolitech přinesl úspěch
Aby otestovali svůj systém, výzkumníci použili DiffSyn k navržení nových cest syntézy pro zeolit, třídu materiálů, která je složitá a jejíž formování do testovatelného materiálu trvá dlouho. Zeolity jsou krystalické hydratované alumosilikáty alkalických kovů a kovů alkalických zemin. "Zeolity mají velmi vysokodimenzionální prostor syntézy," říká Pan. "Zeolity také mají tendenci krystalizovat dny nebo týdny, takže dopad nalezení nejlepší cesty syntézy rychleji je mnohem vyšší než u jiných materiálů, které krystalizují během hodin."
Výzkumníci dokázali vyrobit nový zeolitový materiál pomocí cest syntézy navržených DiffSyn. Následné testování odhalilo, že materiál měl slibnou morfologii pro katalytické aplikace. "Vědci zkoušeli různé recepty syntézy jeden po druhém," říká Pan. "To je dělá velmi časově náročnými. Tento model jich může vzorkovat 1 000 za méně než minutu. Poskytuje vám velmi dobrou počáteční představu o receptech syntézy pro zcela nové materiály."
Zohlednění složitosti
Dříve výzkumníci vytvářeli modely strojového učení, které mapovaly materiál na jediný recept. Tyto přístupy nezohledňují skutečnost, že existují různé způsoby, jak vyrobit stejný materiál. DiffSyn je trénován tak, aby mapoval struktury materiálů na mnoho různých možných cest syntézy. Pan říká, že to lépe odpovídá experimentální realitě. "Jedná se o posun paradigmatu od mapování jeden k jednomu mezi strukturou a syntézou k mapování jeden k mnoha," říká Pan. "To je velký důvod, proč jsme dosáhli silných zisků v benchmarcích."
Slibná budoucnost modelu
Výzkumníci věří, že tento přístup by měl fungovat i pro trénování dalších modelů, které řídí syntézu materiálů mimo zeolity, včetně metal-organických struktur, anorganických pevných látek a dalších materiálů, které mají více než jednu možnou cestu syntézy.
"Tento přístup by mohl být rozšířen na jiné materiály," říká Pan. "Nyní je úzkým hrdlem nalezení vysoce kvalitních dat pro různé třídy materiálů. Ale zeolity jsou komplikované, takže si dokážu představit, že jsou blízko horní hranice obtížnosti. Nakonec by cílem bylo propojení těchto inteligentních systémů s autonomními experimenty v reálném světě a agentní uvažování o experimentální zpětné vazbě, aby se dramaticky urychlil proces návrhu materiálů."
Zdroj: news.mit.edu
