Phenomenon-first problem formulation with language models in metal-organic frameworks

In der weiten Welt der Materialwissenschaften suchen Forscher oft nach neuen Substanzen, indem sie ein bestimmtes Ziel setzen, wie etwa das Finden eines Materials, das mehr Wasserstoff speichern oder Kohlendioxid effizienter filtern kann. Sie bitten Computer, eine Zahl zu optimieren, wie etwa Kapazität oder Geschwindigkeit, und suchen dann nach einem Material, das dieses Ziel erreicht. Es gibt jedoch eine andere Art, die Entdeckung zu denken. Anstatt zu fragen: „Welches Material ist am besten für diesen Job geeignet?“, könnte man fragen: „Was für eine seltsame und unerwartete Sache könnte passieren, wenn wir diese zwei Dinge zusammenbringen?“ Dieser Ansatz konzentriert sich auf das Verhalten selbst und nicht auf den Nutzen. Er sucht nach qualitativen Phänomenen – einzigartigen physikalischen Geschichten, die entstehen, wenn ein Gastmolekül, wie ein Gas oder eine Flüssigkeit, mit einem Wirtsmaterial interagiert, das eine bestimmte Form oder chemische Persönlichkeit besitzt. Die Wirtsmaterialien in dieser Geschichte sind metallorganische Gerüstverbindungen (Metal-Organic Frameworks), die wie mikroskopische Schwämme aufgebaut sind, die aus Metallpunkten bestehen, welche durch organische Streben verbunden sind. Diese Schwämme besitzen winzige, komplizierte Poren, in denen Moleküle gefangen werden können. Die Frage, die diese Forschung antrieb, war, ob eine künstliche Intelligenz in der Lage sei, die grundlegenden Regeln darüber, wie sich ein Gastmolekül verhält, und die grundlegenden Fähigkeiten eines Wirtsmaterials zu betrachten und dann eine neue, plausible physikalische Geschichte darüber zu erfinden, was zwischen ihnen geschehen könnte, ohne vorher gesagt zu bekommen, wonach sie suchen soll oder welches Material zu verwenden ist.

Ein Forscher am Korea Advanced Institute of Science and Technology unternahm den Versuch, diese Idee unter Verwendung eines Large Language Models zu testen, einer Art fortgeschrittener Computerprogramme, die auf riesigen Mengen von Text trainiert wurden. Er bat den Computer nicht, eine bessere Batterie oder einen saubereren Filter zu finden. Stattdessen gab er dem Modell drei separate Informationen: eine Beschreibung der physikalischen Natur eines Gastmoleküls, eine Beschreibung dessen, was ein Wirtsmaterial leisten kann, und die Betriebsbedingungen, wie etwa Temperatur oder Druck. Das Modell wurde dann gebeten, sich ein nicht-offensichtliches, ungewöhnliches Verhalten vorzustellen, das aus der Interaktion dieser Zutaten entstehen könnte. Es musste einen spezifischen Mechanismus vorschlagen, beschreiben, wie man feststellt, ob das Verhalten real ist, und erklären, was die Idee widerlegen würde. Der Forscher generierte achtzig verschiedene Kombinationen von Gästen und Wirten, die von einfachen Gasen wie Wasserstoff bis hin zu Gemischen wie Ethanol und Wasser reichten. Der Computer produzierte siebenundfünfzig unterschiedliche Vorschläge für neue physikalische Phänomene, während er zugab, dass er für die anderen dreiundzwanzig Fälle keine einzigartige Geschichte finden konnte. Dieser Prozess zeigte, dass das Modell in der Lage war, über das bloße Optimieren bekannter Eigenschaften hinauszugehen und stattdessen als kreativer Partner bei der Formulierung neuer wissenschaftlicher Fragen zu fungieren.

Um zu sehen, ob diese Ideen Bestand hatten, wählte der Forscher die vielversprechendsten Vorschläge aus und testte sie an realen Materialien. Er suchte nicht nur nach einem Material, das zufällig passte; er suchte nach Materialien, die tatsächlich das spezifische, ungewöhnliche Verhalten zeigen würden, das der Computer vorhergesagt hatte. Zwei dieser Vorhersagen erwiesen sich als erfolgreiche Fallstudien. Die erste betraf eine Mischung aus Ethanol und Wasser in einem porösen Material. Der Computer hypothetisierte, dass, wenn ein Material ein spezifisches Muster von Wasserstoffbrückenbindungsstellen aufweist, das Hinzufügen von Wasser die bereits im Inneren gefangenen Ethanolmoleküle dazu zwingen könnte, ihre Orientierung zu ändern. Im trockenen Zustand würde das Ethanol in einer Richtung an das Material binden, aber die Ankunft von Wasser würde eine umgedrehte Version stabilisieren, bei der das Molekül sich umdreht. Als der Forscher dieses Szenario in realen metallorganischen Gerüstverbindungen simulierte, stellte er fest, dass die Vorhersage korrekt war. In spezifischen Materialien bewirkte die Zugabe von Wasser tatsächlich, dass das Ethanol seine Orientierung änderte, von einem trockenen, verankerten Zustand zu einem nassen, umgedrehten Zustand, während es in derselben winzigen Tasche gefangen blieb. Dies war nicht nur eine Änderung dessen, wie viel Flüssigkeit absorbiert wurde; es war eine fundamentale Änderung der Art und Weise, wie die Moleküle angeordnet waren, genau wie das Modell es vorgeschlagen hatte.

Die zweite Erfolgsgeschichte betraf Wasserstoffgas bei extrem niedrigen Temperaturen. Der Computer schlug vor, dass in einem Material mit zwei verschiedenen Arten von miteinander verbundenen Poren – einer tiefen und engen sowie einer flachen und breiten – sich das Verhalten von Wasserstoff umkehren würde, wenn es kälter wird. Klassischerweise würde Wasserstoff die tiefere, attraktivere Tasche bevorzugen. Das Modell suggerierte jedoch, dass Quanteneffekte, die für sehr leichte Moleküle bei niedrigen Temperaturen signifikant werden, die tiefe Tasche zu einschränkend machen würden. Die Einschränkungsstrafe (Confinement Penalty) im engen Raum würde so groß werden, dass der Wasserstoff stattdessen die flachere, geräumigere Tasche bevorzugen würde. Der Forscher testete dies, indem er detaillierte Simulationen auf einer Datenbank von tausenden realen metallorganischen Gerüstverbindungen durchführte. Er fand heraus, dass in bestimmten Materialien die Vorhersage des Computers zutraf: Wenn die Temperatur sank, verschob sich die Wasserstoffpopulation von der tiefen Region zur flachen Region und widersetzte sich damit der klassischen Erwartung. Diese Umkehrung wurde durch die Quantennatur der Wasserstoffatome vorangetrieben, was die subtile physikalische Beziehung bestätigte, die das Modell identifiziert hatte, noch bevor ein spezifisches Material ausgewählt worden war.

Die Studie verglich auch diese Methode, dem Modell sowohl Gast- als auch Wirtsinformationen zu geben, mit einem einfacheren Ansatz, bei dem dem Modell nur der Gast gegeben wurde und es raten musste, welche Art von Wirt benötigt würde. Als der Forscher die Wirtskapazitäten explizit angab, generierte das Modell eine viel größere Vielfalt an physikalischen Mechanismen. Es untersuchte einundzwanzig verschiedene Familien von Verhalten, während der Ansatz mit nur dem Gast nur acht fand. Dies deutet darauf an, dass die Gabe eines klaren Bildes der Wirtskapazitäten dem Computer hilft, breiter über die Möglichkeiten nachzudenken, selbst wenn es weniger Gesamtvorschläge produziert. Der Forscher stellte sorgfältig fest, dass diese Ergebnisse durch Computersimulationen gefunden wurden und dass die verwendeten Modelle Annäherungen an die Realität waren. Er behauptete nicht, eine neue Maschine gebaut oder diese Effekte in einem physischen Labor beobachtet zu haben, aber die Simulationen waren robust genug, um zu zeigen, dass die Phänomene physikalisch plausibel waren und weiterer Untersuchung wert waren.

Letztendlich demonstriert diese Arbeit einen Wandel in der Art und Weise, wie künstliche Intelligenz der Wissenschaft helfen kann. Anstatt nur ein Werkzeug zur Ausführung einer vordefinierten Aufgabe zu sein, fungierte das Modell als Generator der Aufgaben selbst. Es nahm grundlegende physikalische Zutaten und wob sie zu neuen, testbaren Erzählungen darüber, wie Materie sich verhält. Der Forscher betonte, dass dieser Prozess immer noch von menschlichen Wissenschaftlern geleitet wurde, die die Fragen formulierten, die Kandidaten auswählten und die Ergebnisse interpretierten. Der Computer ersetzte nicht den Wissenschaftler, sondern bot einen Weg, „upstream“ zu schauen und die sehr Fragen zu formulieren, die zu neuen Entdeckungen führen könnten. Indem das Team die Ideen des Computers „einfroren“, bevor es bestehende Literatur nachschlug oder spezifische Materialien auswählte, stellte es sicher, dass die Vorschläge wahrhaft prospektiv waren. Der Erfolg der Ethanol-Reorientierung und der Wasserstoff-Umkehrung zeigt, dass dieser „Phänomen-zuerst“-Ansatz verborgene physikalische Beziehungen aufdecken kann und den Suchprozess nach neuen Materialien in eine Suche nach neuen Geschichten darüber verwandelt, wie die Welt funktioniert.