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

Nel vasto mondo della scienza dei materiali, i ricercatori spesso cercano nuove sostanze stabilendo un obiettivo specifico, come trovare un materiale che possa immagazzinare più idrogeno o filtrare l'anidride carbonica in modo più efficiente. Chiedono ai computer di ottimizzare un numero, come la capacità o la velocità, e poi cercano un materiale che raggiunga quel traguardo. Tuttavia, esiste un altro modo di intendere la scoperta. Invece di chiedere "qual è il materiale migliore per questo lavoro", si potrebbe chiedere "cosa di strano e inaspettato potrebbe accadere se mettessimo insieme queste due cose?". Questo approccio si concentra sul comportamento stesso piuttosto che sull'utilità. Cerca fenomeni qualitativi — storie fisiche uniche che emergono quando una molecola ospite, come un gas o un liquido, interagisce con un materiale ospite che possiede una specifica forma o personalità chimica. I materiali ospiti in questa storia sono i framework metallo-organici, che sono come spugne microscopiche costruite da punti metallici collegati da strutture organiche. Queste spugne hanno pori minuscoli e intricati dove le molecole possono rimanere intrappolate. La domanda che ha guidato questa ricerca era se un'intelligenza artificiale potesse guardare le regole base del comportamento di una molecola ospite e le capacità base di un materiale ospite e poi inventare una nuova, plausibile storia fisica su ciò che potrebbe accadere tra di loro, senza che le venga detto cosa cercare o quale materiale utilizzare.

Un ricercatore del Korea Advanced Institute of Science and Technology si è proposto di testare questa idea utilizzando un modello linguistico di grandi dimensioni, un tipo di programma informatico avanzato addestrato su enormi quantità di testo. Non ha chiesto al computer di trovare una batteria migliore o un filtro più pulito. Inveest, ha fornito al modello tre informazioni separate: una descrizione della natura fisica di una molecola ospite, una descrizione di ciò che un materiale ospite è capace di fare e le condizioni operative, come temperatura o pressione. Al modello è stato poi chiesto di immaginare un comportamento non ovvio e insolito che potesse scaturire dall'interazione di questi ingredienti. Doveva proporre un meccanismo specifico, descrivere come determinare se il comportamento fosse reale ed esplicare cosa avrebbe dimostrato che l'idea era errata. Il ricercatore ha generato ottanta diverse combinazioni di ospiti e ospiti, che spaziavano da gas semplici come l'idrogeno a miscele come etanolo e acqua. Il computer ha prodotto cinquantasette proposte distinte di nuovi fenomeni fisici, ammettendo al contempo di non essere riuscito a trovare una storia unica per gli altri ventitré casi. Questo processo ha dimostrato che il modello poteva andare oltre la semplice ottimizzazione di proprietà note e, invece, agire come un partner creativo nella formulazione di nuove domande scientifiche.

Per vedere se queste idee reggevano il confronto con la realtà, il ricercatore ha selezionato le proposte più promettenti e le ha testate contro materiali reali. Non si è limitato a cercare un materiale che per caso si adattasse; ha cercato materiali che avrebbero effettivamente eseguito il comportamento specifico e insolito che il computer aveva predetto. Due di queste previsioni si sono rivelate casi studio di successo. La prima riguardava una miscela di etanolo e acqua all'interno di un materiale poroso. Il computer ha ipotizzato che, se un materiale avesse avuto un particolare schema di siti di legame a idrogeno, l'aggiunta di acqua avrebbe potuto costringere le molecole di etanolo già intrappolate a invertire la propria orientazione. In uno stato secco, l'etanolo rimarrebbe attaccato al materiale in una direzione, ma l'arrivo dell'acqua stabilizzerebbe una versione invertita in cui la molecola si gira intorno. Quando il ricercatore ha simulato questo scenario in veri framework metallo-organici, ha scoperto che la previsione era corretta. In materiali specifici, l'aggiunta di acqua ha effettivamente causato il riorientamento dell'etanolo, passando da uno stato secco e ancorato a uno stato umido e invertito, pur rimanendo intrappolato nello stesso minuscolo taschino. Non si trattava solo di un cambiamento nella quantità di liquido assorbito; era un cambiamento fondamentale nel modo in cui le molecole erano disposte, esattamente come suggerito dal modello.

La seconda storia di successo riguardava l'idrogeno gassoso a temperature estremamente basse. Il computer ha proposto che, in un materiale con due diversi tipi di pori connessi — uno profondo e stretto, l'altro superficiale e ampio — il comportamento dell'idrogeno si sarebbe invertito man mano che diventava più freddo. Classicamente, l'idrogeno preferirebbe la tasca più profonda e attrattiva. Tuttavia, il modello ha suggerito che gli effetti quantistici, che diventano significativi per le molecole molto leggere a basse temperature, renderebbero la tasca profonda troppo restrittiva. La penalità di confinamento nello spazio stretto diventerebbe così grande che l'idrogeno preferirebbe in realtà la tasca più superficiale e spaziosa. Il ricercatore ha testato questo aspetto eseguendo simulazioni dettagliate su un database di migliaia di veri framework metallo-organici. Ha scoperto che, in certi materiali, la previsione del computer era corretta: al diminuire della temperatura, la popolazione di idrogeno si spostava dalla regione profonda alla regione superficiale, sfidando l'aspettativa classica. Questa inversione era guidata dalla natura quantistica degli atomi di idrogeno, confermando una sottile relazione fisica che il modello aveva identificato prima ancora che venisse scelto un materiale specifico.

Lo studio ha anche confrontato questo metodo di fornire al modello sia le informazioni sull'ospite che su quello ospite rispetto a un approccio più semplice in cui al modello veniva fornito solo l'ospite e doveva indovinare che tipo di ospite sarebbe stato necessario. Quando il ricercatore ha fornito esplicitamente le capacità dell'ospite, il modello ha generato una varietà molto più ampia di meccanismi fisici. Ha esplorato ventuno diverse famiglie di comportamenti, mentre l'approccio basato solo sull'ospite ne aveva trovati solo otto. Ciò suggerisce che dare al computer un quadro chiaro delle capacità dell'ospite lo aiuti a pensare in modo più ampio riguardo alle possibilità, anche se produce meno idee totali. Il ricercatore è stato attento a notare che questi risultati sono stati ottenuti attraverso simulazioni al computer e che i modelli utilizzati erano approssimazioni della realtà. Non ha sostenuto di aver costruito una nuova macchina o di aver osservato questi effetti in un esperimento fisico di laboratorio, ma le simulazioni erano abbastanza robuste da dimostrare che i fenomeni erano fisicamente plausibili e degni di ulteriori indagini.

In definitiva, questo lavoro dimostra un cambiamento nel modo in cui l'intelligenza artificiale può assistere la scienza. Piuttosto che essere solo uno strumento per eseguire un compito predefinito, il modello ha agito come un generatore dei compiti stessi. Ha preso ingredienti fisici di base e li ha intrecciati in nuove narrazioni testabili su come la materia si comporta. Il ricercatore ha sottolineato che questo processo era comunque guidato da scienziati umani che formulavano le domande, selezionavano i candidati e interpretavano i risultati. Il computer non ha sostituito lo scienziato, ma ha offerto un modo per guardare "a monte", formulando proprio le domande che potrebbero portare a nuove scoperte. Congelando le idee del computer prima di consultare la letteratura esistente o scegliere materiali specifici, il team si è assicurato che i suggerimenti fossero veramente prospettici. Il successo del riorientamento dell'etanolo e dell'inversione dell'idrogeno dimostra che questo approccio "prima il fenomeno" può svelare relazioni fisiche nascoste, trasformando la ricerca di nuovi materiali in una ricerca di nuove storie su come funziona il mondo.