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

Per decenni, la scoperta di nuovi materiali solidi è stata un gioco diviso in due metà. Da un lato, potenti computer possono prevedere l'esistenza di innumerevoli nuovi cristalli, calcolando come i loro atomi potrebbero disporsi per formare strutture stabili. Dall'altro lato, gli chimici umani devono capire come costruirli effettivamente in un laboratorio. Questo secondo passaggio è notoriamente difficile. Sapere che un materiale potrebbe esistere è molto diverso dal sapere come crearlo. Un computer può dirti che un nuovo cristallo è stabile, ma non può dirti quali polveri mescolare, a quale temperatura riscaldarle o se il processo richieda un vuoto speciale o una pressione schiacciante. Per molto tempo, questi due mondi — la previsione teorica e la ricetta pratica — si sono evoluti separatamente, lasciando un vasto divario tra ciò che possiamo immaginare e ciò che possiamo creare.

Un team di ricercatori ha ora costruito un ponte attraverso questo divario utilizzando un nuovo tipo di intelligenza artificiale. Hanno sviluppato un sistema che non si limita a indovinare; legge la storia della chimica per trovare la strada giusta da seguire. Invece di trattare la creazione di un nuovo materiale come una semplice domanda da sì o no, il sistema lo tratta come un complesso problema di pianificazione. Guarda un materiale target e chiede: "Cosa abbiamo già fatto in passato che assomigli a questo?". Poi recupera ricette specifiche e reali da migliaia di esperimenti passati. Combinando questi record storici con le leggi della fisica, il sistema può suggerire un piano passo dopo passo per realizzare un nuovo cristallo, incluse le esatte sostanze chimiche e le condizioni necessarie.

Il cuore di questo lavoro è una massiccia e organizzata libreria di conoscenze chiamata Structured Synthesis Knowledge Base (Base di Conoscenza sulla Sintesi Strutturata). I ricercatori hanno alimentato questo sistema con informazioni su 13.820 diversi cristalli inorganici che sono già stati creati con successo nei laboratori di tutto il mondo. Non si sono limitati a memorizzare i nomi di questi materiali; hanno analizzato nel dettaglio le storie di come sono stati realizzati. Per ogni cristallo, il sistema ha registrato il metodo specifico utilizzato, le sostanze chimiche di partenza, le temperature e le pressioni. Per rendere questi dati utili a un computer, hanno tradotto il complesso linguaggio delle strutture cristalline in descrizioni semplici che l'IA potesse comprendere, collegando la forma degli atomi ai metodi usati per assemblarli.

Quando uno scienziato vuole creare un nuovo materiale, questo sistema, che chiamano PIRAG-LM, inizia cercando dei precedenti. Non si limita a cercare parole simili. Al contrario, utilizza tre lenti diverse per trovare i migliori abbinamenti. Primo, controlla la somiglianza chimica, cercando materiali composti dagli stessi tipi di atomi. Secondo, controlla la somiglianza strutturale, trovando materiali che condividono la stessa disposizione geometrica degli atomi. Terzo, e forse più importante, controlla la somiglianza termodinamica, che riguarda quanta energia contiene il materiale e quanto è stabile. Combinando queste tre prospettive, il sistema trova gli esempi storici più rilevanti, anche se sono stati realizzati decenni fa o in un laboratorio completamente diverso.

Una volta che il sistema ha trovato questi precedenti storici, utilizza un grande modello linguistico affinché agisca come motore di ragionamento. Prende le ricette del passato e le adatta al nuovo materiale. Propone un elenco di percorsi candidati, suggerendo quali sostanze chimiche mescolare e quali condizioni applicare. Fondamentalmente, non fornisce solo una risposta; spiega il proprio ragionamento. Può indicare un esperimento passato specifico e dire: "Suggeriamo questa temperatura perché un materiale simile è stato realizzato a questo calore", oppure "Raccomandiamo questa sostanza chimica perché ha funzionato per un materiale con la stessa struttura atomica". Ciò rende il processo trasparente, permettendo agli esperti umani di vedere esattamente da dove proviene il consiglio e di verificarlo.

I ricercatori hanno testato questo sistema chiedendogli di prevedere come realizzare materiali che erano stati riportati nella letteratura scientifica tra il 2021 e il 2026, utilizzando solo le conoscenze disponibili prima del 2021. Il sistema è stato straordinariamente accurato. Ha predetto correttamente il metodo di sintesi generale per l'87,2% dei materiali, un miglioramento significativo rispetto all'uso di un modello linguistico da solo, che otteneva il 72,1% di correttezza. Quando il sistema è stato ulteriormente perfezionato includendo dati specifici sulla stabilità ad alta pressione e sulle tecniche di crescita di film sottili, la sua precisione è salita al 91,4%. Ciò ha dimostrato che il sistema non stava solo memorizzando testi, ma stava comprendendo davvero le relazioni fisiche tra i materiali e i metodi utilizzati per crearli.

Per dimostrare che questo approccio funziona nel mondo reale, il team non si è fermato alle simulazioni al computer. Hanno preso cinque composti completamente nuovi che non erano mai stati realizzati prima e hanno chiesto al sistema di progettare un piano di sintesi per ciascuno di essi. Questi materiali includevano potenziali componenti per celle a combustibile e candidati per il controllo di come gli oggetti si espandono o si contraggono con il calore. Il sistema ha generato piani dettagliati, suggerendo polveri di partenza specifiche e programmi di riscaldamento. I ricercatori sono poi andati in laboratorio e hanno seguito questi piani, raffinando le condizioni sulla base della valutazione degli esperti e del feedback sperimentale. Hanno creato con successo tutti e cinque i nuovi composti. I cristalli prodotti corrispondevano alle previsioni teoriche, confermando che l'IA aveva fornito una tabella di marcia percorribile dalla teoria alla realtà, pur essendo stata necessaria l'iterazione dell'esperto per identificare le condizioni specifiche applicabili per ogni materiale.

Ciò che rende questo traguardo particolarmente potente è il modo in cui il sistema gestisce i propri limiti. Se il sistema incontra un materiale che richiede una pressione molto elevata o una tecnica speciale di film sottile che non è ben rappresentata nella sua libreria, può essere aggiornato immediatamente. I ricercatori hanno semplicemente aggiunto nuovi record relativi agli esperimenti ad alta pressione o alla crescita di film sottili al database, e il sistema ha imparato istantaneamente a suggerire tali metodi per i target futuri. Non è stato necessario riaddestrare l'intero sistema di IA o ricominciare da capo. Questa flessibilità significa che lo strumento può crescere e migliorare man mano che gli scienziati scoprono di più sul mondo fisico, restringendo costantemente la distanza tra ciò che possiamo calcolare e ciò che possiamo costruire.

Il successo di questo progetto suggerisce una nuova via per la scienza dei materiali. Sposta il campo da una visione binaria in cui un materiale è o possibile o impossibile, verso una comprensione più sfumata di come realizzarlo. Collegando le leggi astratte della fisica con la realtà pratica e disordinata degli esperimenti di laboratorio, questo sistema fornisce un percorso chiaro e basato sull'evidenza per la scoperta. Dimostra che quando l'intelligenza artificiale è radicata nella realtà fisica e nei dati storici, può fare molto di più che prevedere: può guidare le mani umane nella creazione dei materiali del futuro.