Mithilfe generativer Modelle der künstlichen Intelligenz wurden riesige Bibliotheken theoretischer Materialien erstellt, die zur Lösung aller Arten von Problemen beitragen könnten. Jetzt müssen Wissenschaftler nur noch herausfinden, wie man sie herstellt.
In vielen Fällen ist die Materialsynthese nicht so einfach wie das Befolgen eines Rezepts in der Küche. Faktoren wie die Temperatur und die Dauer der Verarbeitung können zu enormen Veränderungen in den Eigenschaften eines Supplies führen, die seine Leistung beeinflussen oder beeinträchtigen. Dies hat die Fähigkeit der Forscher eingeschränkt, Millionen vielversprechender modellgenerierter Materialien zu testen.
Jetzt haben MIT-Forscher ein KI-Modell erstellt, das Wissenschaftler durch den Prozess der Materialherstellung führt, indem es vielversprechende Synthesewege vorschlägt. In einer neuen Arbeit zeigten sie, dass das Modell modernste Genauigkeit bei der Vorhersage effektiver Synthesewege für eine Klasse von Materialien namens Zeolithe liefert, die zur Verbesserung von Katalyse-, Absorptions- und Ionenaustauschprozessen verwendet werden könnten. Den Vorschlägen folgend synthetisierte das Crew ein neues Zeolithmaterial, das eine verbesserte thermische Stabilität aufwies.
Die Forscher glauben, dass ihr neues Modell den größten Engpass bei der Materialentdeckung überwinden könnte.
„Um eine Analogie zu verwenden: Wir wissen, welche Artwork von Kuchen wir backen wollen, aber im Second wissen wir nicht, wie wir den Kuchen backen sollen“, sagt Hauptautor Elton Pan, Doktorand am Division of Supplies Science and Engineering (DMSE) des MIT. „Die Materialsynthese erfolgt derzeit durch Fachwissen und Versuch und Irrtum.“
Das Papier, das die Arbeit beschreibt erscheint heute in Naturinformatik. Neben Pan sind auch Soonhyoung Kwon ’20, PhD ’24; DMSE-Postdoc Sulin Liu; Chemieingenieur-Doktorandin Mingrou Xie; DMSE-Postdoktorand Alexander J. Hoffman; Forschungsassistent Yifei Duan SM ’25; DMSE-Gaststudent Thorben Prein; DMSE-Doktorand Killian Sheriff; MIT Robert T. Haslam Professor für Chemieingenieurwesen Yuriy Roman-Leshkov; Manuel Moliner, Professor an der Polytechnischen Universität Valencia; MIT Paul M. Prepare dinner, Professor für Karriereentwicklung, Rafael Gómez-Bombarelli; und MIT Jerry McAfee Professorin für Ingenieurwissenschaften Elsa Olivetti.
Backen lernen
Huge Investitionen in generative KI haben Unternehmen wie Google und Meta dazu veranlasst, riesige Datenbanken mit Materialrezepten zu erstellen, die zumindest theoretisch Eigenschaften wie hohe thermische Stabilität und selektive Absorption von Gasen aufweisen. Die Herstellung dieser Materialien kann jedoch wochen- oder monatelange sorgfältige Experimente erfordern, bei denen bestimmte Reaktionstemperaturen, -zeiten, Vorläuferverhältnisse und andere Faktoren getestet werden.
„Menschen verlassen sich bei der Steuerung des Prozesses auf ihre chemische Instinct“, sagt Pan. „Menschen sind linear. Wenn es fünf Parameter gibt, könnten wir vier davon konstant halten und einen davon linear variieren. Aber Maschinen sind viel besser darin, in einem hochdimensionalen Raum zu argumentieren.“
Der Syntheseprozess der Materialentdeckung nimmt heute oft die meiste Zeit auf dem Weg eines Supplies von der Hypothese bis zur Verwendung in Anspruch.
Um Wissenschaftlern bei der Steuerung dieses Prozesses zu helfen, trainierten die MIT-Forscher ein generatives KI-Modell anhand von über 23.000 Materialsyntheserezepten, die in 50 Jahren wissenschaftlicher Arbeiten beschrieben wurden. Die Forscher fügten den Rezepten während des Trainings iterativ zufälliges „Rauschen“ hinzu, und das Modell lernte, das zufällige Rauschen zu entrauschen und zu sampeln, um vielversprechende Syntheserouten zu finden.
Das Ergebnis ist DiffSyn, das einen Ansatz der KI nutzt, der als Diffusion bekannt ist.
„Diffusionsmodelle sind im Grunde ein generatives KI-Modell wie ChatGPT, ähneln aber eher dem DALL-E-Bildgenerierungsmodell“, sagt Pan. „Während der Inferenz wandelt es Rauschen in eine sinnvolle Struktur um, indem es bei jedem Schritt ein wenig Rauschen subtrahiert. In diesem Fall ist die ‚Struktur‘ der Syntheseweg für ein gewünschtes Materials.“
Wenn ein Wissenschaftler mit DiffSyn eine gewünschte Materialstruktur eingibt, bietet das Modell einige vielversprechende Kombinationen aus Reaktionstemperaturen, Reaktionszeiten, Vorläuferverhältnissen und mehr.
„Im Grunde erklärt es einem, wie man seinen Kuchen backt“, sagt Pan. „Sie haben einen Kuchen im Kopf, geben ihn in das Modell ein, das Modell spuckt die Syntheserezepte aus. Der Wissenschaftler kann den gewünschten Syntheseweg auswählen, und es gibt einfache Möglichkeiten, den vielversprechendsten Syntheseweg aus dem, was wir anbieten, zu quantifizieren, die wir in unserem Artikel zeigen.“
Um ihr System zu testen, verwendeten die Forscher DiffSyn, um neuartige Synthesewege für einen Zeolith vorzuschlagen, eine Materialklasse, die komplex ist und Zeit braucht, um sich in ein testbares Materials zu verwandeln.
„Zeolithe verfügen über einen sehr hochdimensionalen Syntheseraum“, sagt Pan. „Außerdem dauert die Kristallisation von Zeolithen in der Regel Tage oder Wochen, sodass die Auswirkung (den besten Syntheseweg schneller zu finden) viel größer ist als bei anderen Materialien, die innerhalb von Stunden kristallisieren.“
Den Forschern gelang es, das neue Zeolithmaterial mithilfe der von DiffSyn vorgeschlagenen Synthesewege herzustellen. Nachfolgende Exams ergaben, dass das Materials eine vielversprechende Morphologie für katalytische Anwendungen aufwies.
„Wissenschaftler haben nacheinander verschiedene Syntheserezepte ausprobiert“, sagt Pan. „Das macht sie sehr zeitaufwändig. Dieses Modell kann 1.000 davon in weniger als einer Minute testen. Es gibt Ihnen eine sehr gute erste Einschätzung zu Syntheserezepten für völlig neue Materialien.“
Berücksichtigung der Komplexität
Zuvor haben Forscher maschinelle Lernmodelle entwickelt, die ein Materials einem einzelnen Rezept zuordneten. Diese Ansätze berücksichtigen nicht, dass es verschiedene Möglichkeiten gibt, dasselbe Materials herzustellen.
DiffSyn ist darauf trainiert, Materialstrukturen auf viele verschiedene mögliche Synthesepfade abzubilden. Pan sagt, dass dies besser mit der experimentellen Realität übereinstimmt.
„Dies ist ein Paradigmenwechsel weg von der Eins-zu-Eins-Zuordnung zwischen Struktur und Synthese hin zur Eins-zu-Viele-Zuordnung“, sagt Pan. „Das ist ein wichtiger Grund, warum wir bei den Benchmarks deutlich zulegen konnten.“
Die Forscher glauben, dass der Ansatz in Zukunft dazu beitragen sollte, andere Modelle zu trainieren, die die Synthese von Materialien außerhalb von Zeolithen steuern, einschließlich metallorganischer Gerüste, anorganischer Feststoffe und anderer Materialien, die mehr als einen möglichen Syntheseweg haben.
„Dieser Ansatz könnte auf andere Materialien ausgeweitet werden“, sagt Pan. „Jetzt besteht der Engpass darin, qualitativ hochwertige Daten für verschiedene Materialklassen zu finden. Aber Zeolithe sind kompliziert, daher kann ich mir vorstellen, dass sie nahe an der oberen Grenze des Schwierigkeitsgrads liegen. Letztendlich würde das Ziel darin bestehen, diese intelligenten Systeme mit autonomen Experimenten in der realen Welt und Agentenschlussfolgerungen auf der Grundlage experimenteller Rückmeldungen zu verbinden, um den Prozess des Materialdesigns drastisch zu beschleunigen.“
Die Arbeit wurde von MIT Worldwide Science and Know-how Initiatives (MISTI), der Nationwide Science Basis, Generalitat Vaslenciana, dem Workplace of Naval Analysis, ExxonMobil und der Company for Science, Know-how and Analysis in Singapur unterstützt.