Interpretable physics-informed retrieval-augmented generation language model for end-to-end inorganic crystal synthesis planning

Seit Jahrzehnten ist die Entdeckung neuer fester Materialien ein Spiel mit zwei Hälften. Auf der einen Seite können leistungsstarke Computer die Existenz zahlloser neuer Kristalle vorhersagen und berechnen, wie sich deren Atome anordnen könnten, um stabile Strukturen zu bilden. Auf der anderen Seite müssen menschliche Chemiker herausfinden, wie sie diese tatsächlich im Labor herstellen können. Dieser zweite Schritt ist notorisch schwierig. Zu wissen, dass ein Material existieren könnte, ist etwas völlig anderes als zu wissen, wie man es herstellt. Ein Computer kann Ihnen sagen, dass ein neuer Kristall stabil ist, aber er kann Ihnen nicht sagen, welche Pulver Sie mischen müssen, auf welche Temperatur Sie sie erhitzen sollen oder ob der Prozess ein spezielles Vakuum oder einen enormen Druck erfordert. Lange Zeit haben sich diese beiden Welten – die theoretische Vorhersage und das praktische Rezept – getrennt vone voneinander entwickelt, wodurch eine riesige Lücke zwischen dem, was wir uns vorstellen können, und dem, was wir tatsächlich erschaffen können, entstand.

Ein Forschungsteam hat nun eine Brücke über diese Kluft geschlagen, indem es eine neue Art von künstlicher Intelligenz einsetzte. Sie entwickelten ein System, das nicht einfach nur rät, sondern die Geschichte der Chemie liest, um den richtigen Weg nach vorne zu finden. Anstatt die Erstellung eines neuen Materials als eine einfache Ja-oder-Nein-Frage zu behandeln, betrachtet das System es als ein komplexes Planungsproblem. Es blickt auf ein Zielmaterial und fragt: „Was haben wir früher schon einmal hergestellt, das diesem ähnlich sieht?“ Dann ruft es spezifische, reale Rezepte aus tausenden vergangenen Experimenten ab. Durch die Kombination dieser historischen Aufzeichnungen mit den Gesetzen der Physik kann das System einen schrittweisen Plan für die Herstellung eines neuen Kristalls erstellen, einschließlich der exakten Zutaten und Bedingungen, die erforderlich sind.

Der Kern dieser Arbeit ist eine massive, organisierte Wissensbibliothek namens „Structured Synthesis Knowledge Base“. Die Forscher speisten dieses System mit Informationen über 13.820 verschiedene anorganische Kristalle, die bereits weltweit erfolgreich in Laboren hergestellt wurden. Sie speicherten dabei nicht nur die Namen dieser Materialien; sie brachen die Geschichten ihrer Entstehung herunter. Für jeden Kristall zeichnete das System die spezifische Methode, die verwendeten Ausgangschemikalien, die Temperaturen und die Drücke auf. Um diese Daten für einen Computer nutzbar zu machen, übersetzten sie die komplexe Sprache der Kristallstrukturen in einfache Beschreibungen, die die KI verstehen konnte, indem sie die geometrische Anordnung der Atome mit den Methoden zu deren Zusammenfügung verknüpften.

Wenn ein Wissenschaftler ein neues Material erschaffen möchte, beginnt dieses System, das sie PIRAG-LM nennen, mit der Suche nach Präzedenzfällen. Es sucht nicht einfach nach Wörtern, die ähnlich aussehen. Stattdessen nutzt es drei verschiedene Perspektiven, um die besten Übereinstimmungen zu finden. Erstens prüft es die chemische Ähnlichkeit, indem es nach Materialien sucht, die aus denselben Arten von Atomen bestehen. Zweitens prüft es die strukturelle Ähnlichkeit, indem es Materialien findet, die dieselbe geometrische Anordnung von Atomen teilen. Drittens, und vielleicht am wichtigsten, prüft es die thermodynamische Ähnlichkeit, die sich darauf bezieht, wie viel Energie das Material enthält und wie stabil es ist. Durch die Kombination dieser drei Perspektiven findet das System die relevantesten historischen Beispiele, selbst wenn diese vor Jahrzehnten oder in einem völlig anderen Labor hergestellt wurden.

Sobald das System diese historischen Präzedenzfälle gefunden hat, nutzt es ein großes Sprachmodell (Large Language Model), das als Denkmaschine fungiert. Es nimmt die Rezepte aus der Vergangenheit und passt sie an das neue Material an. Es schlägt eine Liste von Kandidatenwegen vor und gibt an, welche Chemikalien gemischt werden sollten und welche Bedingungen anzuwenden sind. Entscheidend ist, dass es nicht nur eine Antwort liefert, sondern auch seine Argumentation erklärt. Es kann auf ein spezifisches vergangenes Experiment verweisen und sagen: „Wir empfehlen diese Temperatur, weil ein ähnliches Material bei dieser Hitze hergestellt wurde“ oder „Wir empfehlen diese Chemikalie, weil sie für ein Material mit der gleichen Atomstruktur funktioniert hat.“ Dies macht den Prozess transparent und ermöglicht es menschlichen Experten, genau nachzuvollziehen, woher der Rat stammt, und ihn zu verifizieren.

Die Forscher testeten dieses System, indem sie die Vorhersage darüber durchführten, wie Materialien hergestellt werden, die zwischen 2021 und 2026 in der wissenschaftlichen Literatur berichtet wurden, wobei sie nur das vor 2021 verfügbare Wissen nutzten. Das System war bemerkenswert genau. Es sagte die allgemeine Synthesemethode für 87,2 % der Materialien korrekt voraus, was eine signifikante Verbesserung gegenüber der alleinigen Verwendung eines Sprachmodells darstellte, das nur 72,1 % richtig liegen hatte. Als das System weiter verfeinert wurde, indem spezifische Daten über Hochdruckstabilität und Dünnschichtwachstumstechniken hinzugefügt wurden, stieg seine Genauigkeit auf 91,4 %. Dies bewies, dass das System nicht bloß Texte auswendig lernte, sondern tatsächlich die physikalischen Beziehungen zwischen Materialien und den Methoden zu deren Herstellung verstand.

Um zu beweisen, dass dieser Ansatz in der realen Welt funktioniert, beschränkte sich das Team nicht auf Computersimulationen. Sie nahmen fünf völlig neue Verbindungen, die zuvor noch nie hergestellt worden waren, und baten das System, für jede einen Syntheseplan zu entwerfen. Diese Materialien umfassten potenzielle Brennstoffzellenkomponenten sowie Kandidaten für die Steuerung der Ausdehnung oder Kontraktion von Objekten bei Hitze. Das System generierte detaillierte Pläne, die spezifische Ausgangspulver und Heizpläne vorschlugen. Die Forscher gingen dann in das Labor und folgten diesen Plänen, wobei sie die Bedingungen basierend auf Expertenbewertungen und experimentellem Feedback verfeinerten. Sie stellten alle fünf neuen Verbindungen erfolgreich her. Die von ihnen produzierten Kristalle entsprachen den theoretischen Vorhersagen, was bestätigte, dass die KI einen lebensfähigen Fahrplan vom Theorie- in den Realitätsbereich geliefert hatte, während die iterative Arbeit durch Experten notwendig war, um die spezifischen, praktikablen Bedingungen für jedes Material zu identifizieren.

Was diese Errungenschaft besonders kraftvoll macht, ist die Art und Weise, wie das System mit seinen eigenen Grenzen umgeht. Wenn das System auf ein Material stößt, das einen sehr hohen Druck oder eine spezielle Dünnschichttechnik erfordert, die in seiner Bibliothek nicht gut repräsentiert ist, kann es sofort aktualisiert werden. Die Forscher fügten einfach neue Datensätze über Hochdruckexperimente oder Dünnschichtwachstum zur Datenbank hinzu, und das System lernte augenblicklich, diese Methoden für zukünftige Zielsetzungen vorzuschlagen. Es war keine Neuschulung des gesamten KI-Modells oder ein Neustart erforderlich. Diese Flexibilität bedeutet, dass das Werkzeug wachsen und sich verbessern kann, während Wissenschaftler mehr über die physische Welt entdecken, und so den Abstand zwischen dem, was wir berechnen können, und dem, was wir bauen können, ständig verringert.

Der Erfolg dieses Projekts deutet auf einen neuen Weg für die Materialwissenschaft hin. Es führt das Feld weg von einer binären Sichtweise, in der ein Material entweder möglich oder unmöglich ist, hin zu einem differenzierteren Verständnis darüber, wie man es herstellt. Indem es die abstrakten Gesetze der Physik mit der chaotischen, praktischen Realität von Laborexperimenten verknüpft, bietet dieses System einen klaren, evidenzbasierten Pfad für die Entdeckung. Es zeigt, dass künstliche Intelligenz weit mehr als nur vorhersagen kann, wenn sie in die physikalische Realität und historische Daten eingebettet ist: Sie kann die menschliche Hand bei der Erschaffung der Materialien der Zukunft leiten.