Probing the limits of forward screening and inverse design of crystal materials
Durch die Vereinigung von 55 disparaten Kristalldatenbanken zu einer umfassenden Ressource und den Einsatz des CGTNet-Modells zur Vorhersage fehlender Eigenschaften zeigt diese Studie auf, dass das Vorwärts-Screening bekannter Materialien Tausende von ultrainkompressiblen Kandidaten wie ReN2 aufdecken kann, während gleichzeitig demonstriert wird, dass aktuelle Methoden des inversen Designs oft bereits existierende Zusammensetzungen wiederentdecken, wodurch eine strengere Grundlage für die Bewertung der Materialneuheit etabliert wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Materialwissenschaftler sind ständig auf der Suche nach neuen Kristallen, den starren, sich wiederholenden Strukturen, aus denen alles besteht, vom Silizium in unseren Telefonen bis hin zu den Diamanten in unserem Schmuck. Um ein Material mit einer bestimmten Superkraft zu finden – wie etwa der Fähigkeit, immensem Druck standzuhalten oder Elektrizität perfekt zu leiten –, schlagen Forscher normalerweise einen von zwei Wegen ein. Der erste ist eine Schatzsuche: Sie durchforsten Millionen bekannter Kristalle auf der Suche nach einem, der bereits die gewünschte Eigenschaft besitzt. Der zweite ist ein kreativer Akt: Sie nutzen leistungsstarke Computerprogramme, um völlig neue Kristallstrukturen zu erdenken und zu generieren, die diese Eigenschaft besitzen sollten. Beide Methoden beruhen auf massiven öffentlichen Bibliotheken von Daten, in denen Wissenschaftler die Blaupausen und Eigenschaften von Kristallen speichern, die sie entdeckt oder simuliert haben. Doch seit Jahren sprechen diese Bibliotheken unterschiedliche Sprachen. Derselbe Kristall kann in einer Datenbank unter einem Namen gelistet sein und in einer anderen unter einem völlig anderen Namen, oder es fehlen entscheidende Informationen gänzlich. Diese Verwirrung hat es schwierig gemacht zu wissen, wie weit diese Suchmethoden wirklich gehen können oder wie wahrhaft „neu“ die Materialien sind, die sie finden.
Ein Team von Forschern der Hong Kong University of Science and Technology hat nun diesen Nebel gelichtet, indem es eine einzige, einheitliche Bibliothek aufgebaut hat, die 55 verschiedene Datenbanken zusammenführt. Sie haben die Daten nicht einfach nur kopiert und eingefügt; sie haben jeden Kristall in diesen Sammlungen sorgfältig anhand seiner physikalischen Form abgeglichen und dabei die verwirrenden Namen und chemischen Formeln ignoriert, die oft nicht in der Lage sind, zwischen verschiedenen Versionen desselben Materials zu unterscheiden. Diese massive Anstrengung resultierte in einem einzigen, sich selbst aktualisierenden Katalog, der fast 14,6 Millionen einzigartige Kristallstrukturen und über 131 Millionen Eigenschaftsmessungen enthält. Entscheidend ist, dass sie eine Aufzeichnung darüber geführt haben, woher jedes einzelne Stück Information stammt, was es ermöglicht, die Geschichte jedes Wertes zurückzuverfolgen. Sie stellten fest, dass diese Bibliothek zwar enorm groß, aber auch unglaublich spärlich ist. Für die überwiegende Mehrheit der Kristalle fehlen die spezifischen Eigenschaften, die für Forscher von Bedeutung sind, in den Aufzeichnungen schlichtweg. Um diese Lücken zu schließen, entwickelte das Team ein neues Modell der künstlichen Intelligenz namens CGTNet. Dieses Modell fungiert wie ein hochqualifizierter Ratender, der darauf trainiert ist, fehlende Eigenschaften basierend auf der Kristallstruktur vorherzusagen, und erreicht dabei eine Genauigkeit, die bisherige Methoden übertrifft. Durch den Einsatz dieses Werkzeugs konnten sie die Bibliothek vervollständigen und Werte für Millionen von Kristallen vorhersagen, die zuvor noch nie gemessen oder berechnet worden waren.
Mit dieser fertigen Bibliothek in der Hand testeten die Forscher die Grenzen sowohl des Schatzsuch- als auch des kreativen Generierungsansatzes. Zuerst untersuchten sie die Schatzsuche, oder das „Forward Screening“, und fragten, wie viele ultraharte Materialien sich unbemerkt unter den bekannten Kristallen verbergen könnten. Vor dieser Studie glaubten Wissenschaftler bereits, die meisten Kandidaten gefunden zu haben. Doch durch die Anwendung ihres neuen KI-Modells auf die vervollständigte Bibliothek entdeckten sie zehntausende bekannte Kristalle, die wahrscheinlich unkompressibel sind, aber nie auf diese spezifische Eigenschaft getestet wurden. Unter diesen verborgenen Schätzen fanden sie ein Material namens ReN2. Obwohl dieser Kristall unter hohem Druck im Labor synthetisiert worden war und seine Härte mit 428 Gigapascal gemessen worden war, hatte keine Datenbank jemals seinen Kompressionsmodul – ein Maß für seinen Widerstand gegen Kompression – aufgezeichnet. Das Screening der Forscher identifizierte ihn erfolgreich als Spitzenkandidaten und bewies, dass die Schatzsuche immer noch wertvolle, bekannte Materialien finden kann, die lediglich deshalb übersehen wurden, weil die Daten verstreut und unvollständig waren.
Das Team wandte seine Aufmerksamkeit dann dem kreativen Ansatz zu, dem „Inverse Design“, bei dem Computer neue Kristallideen generieren. Seit Jahren behaupten diese Computerprogramme, eine riesige Anzahl brandneuer Materialien zu entdecken. Die Forscher testeten diese Behauptungen, indem sie die generierten Kristalle gegen ihre neue, umfassende Bibliothek prüften. Sie fanden heraus, dass der Sinn für Neuartigkeit größtenteils eine Illusion war, die durch die Verwendung unvollständiger Referenzlisten verursacht wurde. Als sie die generierten Kristalle gegen die vollständige Bibliothek der 55 Quellen prüften, stellten sie fest, dass eine große Anzahl von ihnen gar nicht neu war. In einem spezifischen Test generierte ein Computerprogramm 100 Kristalle, von denen es behauptete, sie seien neu und extrem steif. Als die Forscher diese gegen ihre vollständige Datenbank prüften, fanden sie heraus, dass 82 von ihnen tatsächlich Variationen von Zusammensetzungen waren, die bereits bekannt und dokumentiert waren. Darüber hinaus enthielten alle diese „neuen“ Kristalle ein spezifisches Element, Osmium, was darauf hindeutete, dass der Generator lediglich eine sehr enge Auswahl bekannter Zutaten neu mischte, anstatt das gesamte Universum der Möglichkeiten zu erkunden.
Die Studie kommt zu dem Schluss, dass sich die Art und Weise, wie wir nach Materialien suchen, ändern muss. Die Schatzsuche ist weitaus leistungsfähiger als bisher angenommen; indem wir alle bekannten Daten integrieren und die fehlenden Teile ergänzen, können wir Tausende nützlicher Materialien finden, die bereits existieren, aber in den Lücken unserer Aufzeichnungen verborgen waren. Umgekehrt hat der kreative Generierungsansatz seinen eigenen Erfolg überschätzt. Die „neuen“ Materialien, die er hervorbringt, sind oft nur Wiederholungen dessen, was wir bereits kennen, schlichtweg weil die Referenzlisten, mit denen sie verglichen wurden, zu klein waren. Durch die Verwendung einer einzigen, vollständigen und verifizierten Datenbank können Wissenschaftler nun zwischen einer echten Entdeckung und einem Duplikat unterscheiden und so sicherstellen, dass die Suche nach dem nächsten großartigen Material auf einem Fundament der Wahrheit statt auf Verwirrung aufgebaut wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.