Generative Modelle künstlicher Intelligenz können riesige Bibliotheken theoretischer Materialien erstellen, die zur Lösung verschiedenster Probleme beitragen könnten. Wissenschaftler stehen nun jedoch vor der Herausforderung, diese Materialien tatsächlich herzustellen.
Die Materialsynthese ist in vielen Fällen nicht so einfach wie das Befolgen eines Rezepts in der Küche. Faktoren wie Temperatur und Verarbeitungsdauer können enorme Veränderungen der Materialeigenschaften bewirken, die über dessen Leistungsfähigkeit entscheiden. Dies hat bislang die Möglichkeiten der Forschenden eingeschränkt, Millionen vielversprechender, von Modellen generierter Materialien zu testen.
Forschende des MIT haben nun ein KI-Modell entwickelt, das Wissenschaftler durch den Prozess der Materialherstellung führt, indem es vielversprechende Synthesewege vorschlägt. In einer neuen Studie zeigten sie, dass das Modell bei der Vorhersage effektiver Synthesewege für eine als Zeolithe bezeichnete Materialklasse eine Spitzenpräzision erreicht. Diese Materialien können zur Verbesserung von Katalyse-, Absorptions- und Ionenaustauschprozessen eingesetzt werden. Anhand seiner Vorschläge synthetisierte das Team ein neues Zeolithmaterial, das eine verbesserte thermische Stabilität aufwies.
Lernen, einen Materialkuchen zu backen
Elton Pan, Doktorand am Fachbereich für Materialwissenschaften und Werkstofftechnik des MIT und Hauptautor der Studie, erläutert das Problem anhand einer Analogie: „Wir wissen, welchen Kuchen wir backen wollen, aber derzeit wissen wir nicht, wie wir ihn backen sollen. Die Materialsynthese erfolgt gegenwärtig auf Grundlage von Fachwissen sowie durch Versuch und Irrtum.“ Die Studie, in der diese Arbeit beschrieben wird, wurde in der Fachzeitschrift Nature Computational Science veröffentlicht.
Massive Investitionen in generative KI haben Unternehmen wie Google und Meta dazu veranlasst, riesige Datenbanken voller Materialrezepte anzulegen, die theoretisch Eigenschaften wie hohe thermische Stabilität und selektive Gasabsorption aufweisen. Die Herstellung dieser Materialien kann jedoch Wochen oder Monate sorgfältiger Experimente erfordern, in denen bestimmte Reaktionstemperaturen, Reaktionszeiten, Vorläuferverhältnisse und weitere Faktoren getestet werden.
„Die Menschen verlassen sich auf ihre chemische Intuition, um den Prozess zu steuern“, sagt Pan. „Menschen denken linear. Wenn es fünf Parameter gibt, können wir vier davon konstant halten und einen linear verändern. Maschinen sind jedoch wesentlich besser darin, in hochdimensionalen Räumen zu denken.“ Der Syntheseprozess nimmt bei der Materialentdeckung inzwischen häufig die meiste Zeit auf dem Weg eines Materials von der Hypothese bis zur Anwendung in Anspruch.
Das KI-Modell DiffSyn und seine Funktionsweise
Um Wissenschaftlern bei der Bewältigung dieses Prozesses zu helfen, haben Forschende des MIT ein generatives KI-Modell mit mehr als 23.000 Rezepten zur Materialsynthese trainiert, die in wissenschaftlichen Arbeiten aus einem Zeitraum von 50 Jahren beschrieben wurden. Während des Trainings fügten die Forschenden den Rezepten iterativ zufälliges „Rauschen“ hinzu, und das Modell lernte, dieses Rauschen zu entfernen und aus zufälligem Rauschen Stichproben zu erzeugen, um vielversprechende Synthesewege zu finden. Das Ergebnis ist DiffSyn, das einen in der KI als Diffusion bekannten Ansatz nutzt.
„Diffusionsmodelle sind im Grunde generative KI-Modelle wie ChatGPT, ähneln aber eher dem Bildgenerierungsmodell DALL-E“, erklärt Pan. „Während der Inferenz wandelt es Rauschen in eine sinnvolle Struktur um, indem es bei jedem Schritt ein wenig Rauschen entfernt. In diesem Fall ist die ‚Struktur‘ ein Syntheseweg für das gewünschte Material.“
Wenn ein Wissenschaftler bei der Verwendung von DiffSyn die gewünschte Materialstruktur eingibt, schlägt das Modell einige vielversprechende Kombinationen aus Reaktionstemperaturen, Reaktionszeiten, Vorläuferverhältnissen und weiteren Parametern vor. „Im Grunde sagt es Ihnen, wie Sie Ihren Kuchen backen sollen“, sagt Pan. „Sie haben einen Kuchen im Sinn, geben ihn in das Modell ein, und das Modell gibt Syntheserezepte aus. Der Wissenschaftler kann jeden beliebigen Syntheseweg auswählen, und es gibt einfache Möglichkeiten, den vielversprechendsten Syntheseweg aus unseren Vorschlägen quantitativ zu bestimmen, wie wir in unserem Artikel zeigen.“
Erfolgreicher Test mit Zeolithen
Um ihr System zu testen, nutzten die Forschenden DiffSyn, um neue Synthesewege für einen Zeolith vorzuschlagen, der zu einer komplexen Materialklasse gehört und dessen Herstellung in einer testbaren Form viel Zeit beansprucht. Zeolithe sind kristalline hydratisierte Alumosilikate von Alkali- und Erdalkalimetallen. „Zeolithe weisen einen sehr hochdimensionalen Syntheseraum auf“, sagt Pan. „Zeolithe benötigen außerdem in der Regel Tage oder Wochen zum Kristallisieren. Daher ist der Nutzen einer schnelleren Ermittlung des besten Synthesewegs wesentlich größer als bei anderen Materialien, die innerhalb weniger Stunden kristallisieren.“
Den Forschenden gelang es, mithilfe der von DiffSyn vorgeschlagenen Synthesewege ein neues Zeolithmaterial herzustellen. Anschließende Tests zeigten, dass das Material eine vielversprechende Morphologie für katalytische Anwendungen aufwies. „Wissenschaftler haben verschiedene Syntheserezepte nacheinander ausprobiert“, sagt Pan. „Das macht sie sehr zeitaufwendig. Dieses Modell kann in weniger als einer Minute 1.000 davon als Stichproben erzeugen. Es liefert Ihnen eine sehr gute erste Vorstellung von Syntheserezepten für völlig neue Materialien.“
Berücksichtigung der Komplexität
Früher entwickelten Forschende Modelle des maschinellen Lernens, die einem Material ein einziges Rezept zuordneten. Diese Ansätze berücksichtigen nicht, dass es verschiedene Möglichkeiten gibt, dasselbe Material herzustellen. DiffSyn wird darauf trainiert, Materialstrukturen vielen verschiedenen möglichen Synthesewegen zuzuordnen. Pan zufolge entspricht dies besser der experimentellen Realität. „Es handelt sich um einen Paradigmenwechsel von einer Eins-zu-eins-Zuordnung zwischen Struktur und Synthese hin zu einer Eins-zu-viele-Zuordnung“, sagt Pan. „Das ist ein wesentlicher Grund dafür, dass wir bei den Benchmarks deutliche Verbesserungen erzielt haben.“
Vielversprechende Zukunft des Modells
Die Forschenden sind überzeugt, dass dieser Ansatz auch beim Training weiterer Modelle funktionieren dürfte, die die Synthese anderer Materialien als Zeolithe steuern, darunter metallorganische Gerüststrukturen, anorganische Feststoffe und weitere Materialien, für die mehr als ein möglicher Syntheseweg existiert.
„Dieser Ansatz könnte auf andere Materialien ausgeweitet werden“, sagt Pan. „Der Engpass besteht derzeit darin, hochwertige Daten für verschiedene Materialklassen zu finden. Zeolithe sind jedoch komplex, daher kann ich mir vorstellen, dass sie nahe an der Obergrenze des Schwierigkeitsgrads liegen. Letztendlich bestünde das Ziel darin, diese intelligenten Systeme mit autonomen Experimenten in der realen Welt und agentenbasiertem Schlussfolgern anhand experimenteller Rückmeldungen zu verknüpfen, um den Prozess der Materialentwicklung drastisch zu beschleunigen.“
Quelle: news.mit.edu
