Learning the Chronology of Materials Discovery for Synthesizability Prediction

Die Suche nach neuen Materialien ist ein Wettlauf gegen die Zeit. Wissenschaftler können heute leistungsstarke Computer nutzen, um Millionen neuer chemischer Rezepte zu entwerfen, die Kandidaten für Batterien, Solarzellen und Medikamente vorschlagen – weit schneller, als sie in einem Labor getestet werden können. Dies schafft einen Engpass: einen riesigen Ozean an theoretischen Möglichkeiten, von denen nur ein winziger Bruchteil jemals gebaut und als funktionierend nachgewiesen werden kann. Um dies zu bewältigen, haben Forscher Computermodelle entwickelt, die versuchen zu erraten, welche dieser imaginären Rezepte tatsächlich in einem Labor realisierbar sind. Traditionell betrachten diese Modelle die Wissenschaftsgeschichte als eine statische Liste, die nur betrachtet, was hergestellt wurde und was nicht, ohne zu berücksichtigen, wann oder warum Entdeckungen stattfanden. Sie gehen davon aus, dass der Weg zu einem neuen Material zufällig ist, und ignorieren dabei die Tatsache, dass die menschliche Entdeckung einer spezifischen, sich entwickelnden Geschichte folgt, die durch verfügbare Werkzeuge, Finanzierung und sich verschiebende wissenschaftliche Interessen geformt wird.

Ein Forschungsteam am Imperial College London hat einen neuen Ansatz namens ChronoSyn vorgestellt, der die Art und Weise verändert, wie diese Vorhersagen getroffen werden. Anstatt die Geschichte der Materialien als eine einfache Sammlung von Fakten zu behandeln, lernt dieses Modell aus dem Zeitstrahl der Entdeckungen selbst. Es erkennt, dass die Reihenfolge, in der Wissenschaftler neue Materialien gefunden haben, nicht zufällig ist; sie spiegelt eine Progression wider, die durch praktische Bedürfnisse und technologische Fortschritte vorangetrieben wird. Indem man den Computer lehrt, diese historische Sequenz zu verstehen, gewinnt das Modell einen tieferen Einblick darin, welche chemischen Kombinationen als Nächstes wahrscheinlich synthetisiert werden. Die Forscher fanden heraus, dass das Modell durch die Einbeziehung der Daten vergangener Entdeckungen signifikant besser darin wurde, vielversprechende neue Materialien zu identifizieren, selbst solche, die zuvor noch nie gesehen wurden.

Der Kern dieser Arbeit liegt darin, wie das Modell Informationen verarbeitet. Es nimmt eine chemische Zusammensetzung – eine spezifische Mischung von Elementen – und wandelt sie in einen digitalen Fingerabdruck um. Dieser Fingerabdruck wird dann gleichzeitig in zwei verschiedene Teile des Computerprogramms eingespeist. Ein Teil versucht vorherzusagen, ob das Material synthetisiert werden kann, während der andere Teil versucht zu erraten, wann das Material im Verhältnis zu anderen wahrscheinlich entdeckt wurde. Das Modell lernt durch den Vergleich von Paaren bekannter Materialien und passt seine interne Logik so an, dass es einem Material, das in jüngeren Jahren berichtet wurde, einen „späteren“ Wert und einem, das vor langer Zeit gefunden wurde, einen „früheren“ Wert zuweist. Diese duale Aufgabe zwingt den Computer dazu, ein gemeinsames Verständnis der Chemie aufzubzubauen, das den Fluss der Zeit respektiert. Das Ergebnis ist ein System, das nicht bloß eine Liste bekannter Materialien auswendig lernt, sondern den Verlauf versteht, wie sich die Wissenschaft durch den chemischen Raum bewegt.

Bei Tests gegen Standardmodelle, die den Zeitstrahl ignorieren, erwies sich ChronoSyn als genauer. In Experimenten mit Datenbanken, die Hunderttausende bekannter und hypothetischer Materialien enthielten, identifizierte das neue Modell einen höheren Prozentsatz an realen, synthetisierbaren Verbindungen. Die Verbesserung war nicht nur ein kleiner statistischer Zuwachs; sie war ein klares Signal dafür, dass die Geschichte der Entdeckung wertvolle Hinweise liefert. Die Forscher beobachteten, dass das Modell lernte, Materialien auf eine Weise zu gruppieren, die ihrem tatsächlichen Verlauf entsprach. In der internen Karte des Computers gruppierten sich Materialien, die in den 1dings 1970er und 1980er Jahren entdeckt wurden, in einem Bereich, während jene, die in den 2010er und 2020er Jahren gefunden wurden, sich in einem anderen sammelten. Diese Organisation ermöglichte es dem Modell, zwischen chemischen Familien zu unterscheiden, die gründlich erforscht wurden, und solchen, die gerade erst untersucht werden.

Diese Fähigkeit, den Zeitstrahl zu lesen, erwies sich als besonders nützlich bei der Betrachtung von Materialien, die noch nicht gemeldet worden waren. Das Modell identifizierte Gruppen hypothetischer Zusammensetzungen, die den chemischen Familien ähnelten, die in den letzten Jahrzehnten entdeckt wurden. Diese „rezent-ähnlichen“ Materialien erhielten höhere Werte für die Syntisierbarkeit als älter wirkende. Die Forscher fanden heraus, dass dies sinnvoll war: Chemische Räume, die in jüngster Zeit aktiv untersucht wurden, wie etwa jene, die für Lithium-Ionen-Batterien oder Brennstoffzellen verwendet werden, werden immer noch erforscht, was bedeutet, dass die Chance höher ist, dass nicht gemeldete Materialien in diesen Bereichen tatsächlich realisierbar sind. Im Gegensatz dazu sind chemische Räume, die vor Jahrzehnten intensiv untersucht wurden, aber seither verstummt sind, eher dazu geneigt, Materialien zu enthalten, die tatsächlich schwierig oder unmöglich herzustellen sind. Das Modell lernte effektiv, den „Frontier“ (die Grenze) der aktuellen Forschung gegenüber dem „Backwater“ (dem Hinterland) vergangener Exploration zu priorisieren.

Um den praktischen Wert dieses Ansatzes zu testen, führten die Forscher ein retrospektives Experiment durch. Sie trainierten das Modell ausschließlich mit dem Wissen, das bis zu einem bestimmten Jahr, wie etwa 2018, verfügbar war, und baten es dann, vorherzusagen, welche Materialien nach diesem Datum entdeckt würden. ChronoSyn übertraf die Standardmodelle konsequent bei der Identifizierung dieser zukünftigen Entdeckungen. Es markierte erfolgreich Zusammensetzungen, die tatsächlich in den Jahren nach dem Stichtag in der wissenschaftlichen Literatur berichtet wurden, was demonstrierte, dass das Modell die Vergangenheit nutzen kann, um die Zukunft zu prognostizieren. Dies deutet darauf an, dass der Pfad, den Wissenschaftler bisher zur Suche nach Materialien beschritten haben, eine Landkarte hält, wo die nächsten Durchbrüche stattfinden werden.

Die Studie zeigte auch, dass das Modell besonders gut darin war, komplexe Materialien zu identifizieren, die seltene Elemente enthalten, wie etwa solche mit f-Block-Elementen wie Lanthanoiden. Diese Materialien treten oft in distinkten Wellen der Entdeckung auf, mit Phasen intensiver Forschung gefolgt von ruhigeren Zeiten. Da das Modell das Timing dieser Wellen lernte, konnte es besser erkennen, wenn eine neue Zusammensetzung in einen aktuell aktiven Forschungstrend passte. Als das Team ChronoSyn auf einen massiven hypothetischen Raum von 50 Millionen potenziellen chemischen Kombinationen anwandte, hob es spezifische Materialfamilien hervor, die wahrscheinlich realisierbar waren. Eine Überprüfung gegen wissenschaftliche Aufzeichnungen bestätigte, dass viele dieser hoch bewerteten Vorhersagen tatsächlich Materialien waren, die in der Vergangenheit synthetisiert und berichtet worden waren, aber in den Hauptdatenbanken, die für das Training verwendet wurden, fehlten.

Die Forscher räumen ein, dass ihre Methode Grenzen hat. Das Modell stützt sich auf Publikationsdaten, die ein Stellvertreter für die Entdeckung sind und nicht immer exakt mit dem Moment übereinstimmen müssen, in dem ein Material zum ersten Mal hergestellt wurde. Es spiegelt auch die Verzerrungen der menschlichen Forschung wider, indem es potenziell chemische Bereiche bevorzugt, die historisch Aufmerksamkeit erregt haben, während es vielversprechende, aber vernachlässigte Felder übersehen könnte. Des Weiteren sagt das Modell zwar voraus, ob eine chemische Formel möglich ist, berücksichtigt aber noch nicht die spezifischen Kristallstrukturen, die ein Material stabil oder instabil machen könnten. Ungeachtet dieser Einschränkungen zeigt die Arbeit jedoch, dass die Geschichte der Wissenschaft nicht nur ein Protokoll dessen ist, was getan wurde, sondern ein Leitfaden dafür, was als Nächstes getan werden kann. Indem sie die Chronologie der Entdeckung von Materialien erlernt, können Wissenschaftler die Vergangenheit nun effektiver nutzen, um durch das weite und unkartierte Territorium der Zukunft zu navigieren.