Energetically Driven Structure Matching for Autonomous Total X-ray Scattering Experiments

In dem modernen Bestreben, neue Materialien zu entdecken, wenden sich Wissenschaftler zunehmend Laboren zu, die sich selbst steuern. Diese „selbstfahrenden Labore“ nutzen Roboter, um Chemikalien zu mischen, leistungsstarke Computer, um Ergebnisse zu analysieren, und künstliche Intelligenz, um zu entscheiden, was als Nächstes zu tun ist – alles in einem kontinuierlichen Kreislauf. Das Ziel ist es, den Prozess der Suche nach Materialien mit spezifischen Eigenschaften, wie etwa besseren Batterien oder effizienteren Katalysatoren, zu beschleunigen. Es bleibt jedoch eine erhebliche Hürde bestehen: genau zu wissen, was der Roboter tatsächlich erschaffen hat. Wenn eine Maschine ein winziges Partikel synthetisiert, könnte der Computer eine perfekte Form vorhersagen, aber das reale Partikel könnte aufgrund der unordentlichen Realitäten von Hitze, Oberflächenspannung und atomarer Spannung etwas anders sein. Wenn das System nicht in der Lage ist, die wahre Struktur des Materials, das es gerade hergestellt hat, präzise zu erfassen, kann es nicht effektiv lernen oder den nächsten Schritt mit Präzision steuern. Diese Lücke zwischen dem idealisierten Modell des Computers und der physikalischen Realität des Atoms ist der Punkt, an dem der nächste Durchbruch in der autonomen Wissenschaft stattfinden muss.

Ein Forschungsteam der Technischen Universität Dänemark und der IT University of Copenhagen hat einen neuen Weg entwickelt, um diese Lücke zu schließen, speziell für Experimente mit Goldnanopartikeln. Diese winzigen Partikel, die oft nur wenige Nanometer breit sind, sind entscheidend für viele Technologien, aber ihre interne Anordnung der Atome bestimmt, wie sie sich verhalten. Die Forscher konzentrierten sich auf eine Technik namens Total-Röntgenstreuung, bei der ein Röntgenstrahl auf die Partikel trifft und in einem Muster zurückspringt, das deren atomare Struktur offenbart. In früheren autonomen Experimenten verglich das System das experimentelle Röntgenmuster mit einer Bibliothek computergenerierter Muster, die auf perfekten, geometrischen Formen wie Kugeln oder Oktaedern basierten. Obwohl dies schnell ging, führte diese Methode oft zu Fehlern. Der Computer teilte dem Roboter mit, er habe eine bestimmte Form hergestellt, nur um später festzustellen, dass das Partikel tatsächlich eine andere Größe oder Form hatte, weil das Computermodell ignorierte, wie sich Atome verschieben und dehnen, wenn sie an der Oberfläche eines winzigen Partikels frei liegen.

Um dieses Problem zu lösen, führte das Team eine Methode ein, die Energie und Hitze in die Computermodelle integriert. Anstatt nur statische, perfekte Formen zu betrachten, verwendeten sie ein ausgeklügeltes Computerprogramm auf Basis von maschinellem Lernen, um zu simulieren, wie sich die Atome in den Goldpartikeln tatsächlich entspannen und bewegen würden. Sie testeten drei Detailstufen. Die erste war die einfache, idealisierte Form, die schnell zu berechnen, aber oft falsch ist. Die zweite beinhaltete das „Entspannen“ der Atome durch den Computer, wodurch sie in eine stabilere, energetisch niedrigere Position gleiten konnten, was viele der Größenfehler korrigierte. Die dritte und detaillierteste Stufe simulierte die Partikel so, als würden sie durch Hitze vibrieren, was eine dynamische Wolke möglicher Formen statt eines einzelnen, eingefrorenen Bildes erzeugte. Als sie diese drei Ansätze mit realen Röntgendaten von Goldnanopartikeln verglichen, waren die Ergebnisse eindeutig. Die einfachen Modelle unterschätzten konsequent die Größe der Partikel und verwechselten manchmal eine Form mit einer anderen. Die Modelle, die die atomare Relaxation berücksichtigten, waren wesentlich besser, aber die Modelle, die die thermische Bewegung der Atome einbezogen, stimmten fast perfekt mit den realen experimentellen Daten überein.

Die Forscher entdeckten, dass die einfachen Modelle fehlschlugen, weil sie die Partikel wie starre Blöcke behandelten und ignorierten, dass Oberflächenatome weniger eingeschränkt sind und oft nach innen ziehen oder sich verschieben, um Spannung abzubauen. Diese Verzerrung verändert die Art und Weise, wie Röntgenstrahlen streuen, was dazu führt, dass der Computer eine falsche Größe oder Form rät. Durch die Verwendung der maschinell gelernten Modelle zur Berücksichtigung dieser Verschiebungen konnte das System zwischen ähnlich aussehenden Formen unterscheiden, wie etwa einem Dekaeder (einer zehnseitigen Form) und einem Oktaeder (einer achtseitigen Form), die die einfachen Modelle oft verwechselten. Darüber hinaus fanden die Forscher heraus, dass die Simulation der Partikel in einem Vakuum bei einer etwas niedrigeren Temperatur Ergebnisse lieferte, die nahezu identisch mit der Simulation in Wasser waren, was einen großen praktischen Vorteil darstellt. Dies bedeutet, dass der Computer diese komplexen, hitzebewussten Simulationen viel schneller durchführen kann, ohne die Umgebungsl Flüssigkeit modellieren zu müssen, was den Prozess für die Echtzeitnutzung praktikabel macht.

Um diese hohe Genauigkeit innerhalb der engen Zeitlimits eines autonomen Experiments zu ermöglichen, entwarf das Team eine „Trichterstrategie“. Stellen Sie sich einen Prozess vor, der mit einem weiten Netz beginnt und sich schnell auf die vielversprechendsten Kandidaten verengt. Zuerst nutzt das System die schnellen, einfachen Modelle, um ein breites Spektrum an Möglichkeiten zu scannen und einige wahrscheinliche Formen und Größen zu identifizieren. Dann nimmt es nur diese Top-Kandidaten und führt die detaillierteren, energiebewussten Relaxationssimulationen durch, um die Liste zu verfeinern. Schließlich wendet es die rechenintensivsten, hitzesimulierten Modelle nur auf die allerbesten verbleibenden Optionen an. Dieser hierarchische Ansatz ermöglicht es dem System, die genauesten strukturellen Informationen zu erhalten, ohne darauf zu warten, dass der Computer Stunden benötigt. In Tests konnte diese Methode die am besten passende Struktur innerhalb eines Zeitfensters von fünfzehn Minuten identifizieren – ein Zeitrahmen, der dem Zyklus eines realen autonomen Syntheseexperiments entspricht.

Die Auswirkungen dieser Arbeit erstrecken sich über Goldnanopartikel hinaus. Indem sie bewiesen haben, dass die energetisch gesteuerte Strukturabgleichung parallel zur Synthese laufen kann, haben die Forscher einen Weg zu Laboren aufgezeigt, die nicht nur einem vorgegebenen Plan folgen, sondern ihre Ziele basierend auf dem, was sie tatsächlich finden, anpassen können. Wenn das System erkennt, dass eine bestimmte Form unter den aktuellen Bedingungen unmöglich herzustellen ist oder dass eine leicht andere Form energetisch stabiler ist, kann es sein Ziel in Echtzeit aktualisieren. Dies bewegt die autonome Wissenschaft von dem bloßen Versuch, ein statisches Ziel zu treffen, hin zur Erkundung der Landschaft dessen, was physikalisch möglich ist. Die Studie zeigt, dass durch die Kombination von schnellem Screening mit gezielten High-Fidelity-Simulationen Wissenschaftlern endlich die Möglichkeit gegeben werden kann, die wahre atomare Struktur der Materialien, die sie erschaffen, zu sehen – und damit eine bloße Vermutung in eine klare, informierte Entscheidung zu verwandeln.