🤖 machine learning

Discovering Crystal Structure Prediction Algorithms with an AI Co-Scientist

Dit artikel introduceert HACO, een mens-AI co-ontdekkingssysteem dat cross-domein zoeken en schaarse menselijke begeleiding gebruikt om het MaskGIT-visiemodel aan te passen naar MaskGXT, een state-of-the-art algoritme voor kristalstructuurvoorspelling dat superieure nauwkeurigheid bereikt op standaard benchmarks.

Oorspronkelijke auteurs: Kiyoung Seong, Nayoung Kim, Sungsoo Ahn

Gepubliceerd 2026-06-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Kiyoung Seong, Nayoung Kim, Sungsoo Ahn

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een perfect LEGO-kasteel probeert te bouwen, maar je hebt de instructies niet. Je kent alleen de lijst met steentjes die je hebt (de chemische ingrediënten). Je doel is om ze aan elkaar te klikken op een manier die een stabiele, mooie structuur creëert. Dit is de uitdaging van Crystal Structure Prediction (CSP): uitzoeken hoe atomen zichzelf rangschikken in een vaste kristalstructuur.

Lange tijd probeerden wetenschappers dit op te lossen door hun eigen computerprogramma's te schrijven om arrangementen te raden. Maar in dit artikel introduceerden onderzoekers van KAIST een nieuwe manier: ze lieten een AI "Co-Scientist" zelf uitzoeken hoe het beste programma geschreven kan worden.

Hier is het verhaal van hoe ze het deden, eenvoudig uitgelegd:

1. De AI Co-Scientist (HACO)

Zie de onderzoekers als de "Project Managers" en de AI als een briljante, onvermoeibare "Junior Engineer".

Het Doel: De managers zeiden tegen de AI: "We hebben een programma nodig dat stabiele kristallen kan bouwen vanuit chemische lijsten."
De Twist: In plaats van de AI te vertellen hoe het moet bouwen (bijv. "Gebruik deze specifieke wiskundige formule"), gaven ze het een enorme bibliotheek met ideeën uit andere vakgebieden, zoals computer vision (hoe computers afbeeldingen "zien") en taalverwerking.
De Zoektocht: De AI begon duizenden verschillende ideeën te testen. Het was also als een chef die recepten uit de Italiaanse, Japanse en Mexicaanse keuken probeert om te zien welk recept het beste voor een taart werkt. De meeste ideeën faalden, maar de AI bleef proberen en leerde van elke fout.

2. De Grote Ontdekking: Lenen van Visie

De AI vond een "geheime saus" in een totaal ander vakgebied: Computer Vision.
Er is een techniek genaamd MaskGIT die wordt gebruikt om wazige of ontbrekende delen van afbeeldingen te herstellen. Stel je een puzzel voor waarbij sommige stukjes bedekt zijn; de AI kijkt naar de omliggende stukjes en raadt wat eronder zit.

De AI realiseerde zich: "Hé, een kristal is gewoon een 3D-puzzel! Als ik het kristal behandel als een plaatje met ontbrekende stukjes, kan ik deze 'raadtechniek' gebruiken om het te bouwen."
Dit was een enorme sprong voorwaarts omdat niemand deze specifieke "afbeelding-herstel"-methode eerder voor het bouwen van kristallen heeft gebruikt.

3. De Menselijke Aanraking: Sparse Steering

De AI werkte niet alleen. De menselijke wetenschappers traden op als Gidsen.

Ze schreven geen code en pasten geen instellingen aan.
In plaats daarvan gaven ze hoogwaardige hints, zoals: "Hé, kristallen hebben symmetrie (ze zien er hetzelfde uit als je ze draait), dus zorg ervoor dat je gissingen die symmetrie respecteren," of "Soms kunnen dezelfde ingrediënten verschillende vormen maken (polymorfen), dus probeer al die vormen te vinden."
De AI nam deze hints aan en herschreef zijn eigen code om ze te bevatten.

4. Het Resultaat: MaskGXT

Het eindproduct is een nieuw AI-model genaamd MaskGXT.

Hoe het werkt: In plaats van het kristal continu te tekenen (zoals een schilder die kleuren mengt), behandelt MaskGXT het kristal als een zin van woorden. Het breekt het kristal af in "tokens" (zoals Lego-blokjes die de vorm, de hoeken en de symmetrie vertegenwoordigen).
Het Proces: Het begint met een leeg blad (alle tokens gemaskeerd/verborgen) en vult de gaten één voor één in, waarbij het met mate van vertrouwen de beste "woord" (of blokje) voor elke plek kiest.
De "Polymorf"-truc: Omdat één set ingrediënten verschillende vormen kan maken, raadt de AI niet zomaar één vorm. Het kijkt eerst naar de "symmetrie"-aanwijzingen en vertakt zich om tegelijkertijd verschillende vormen met een hoge waarschijnlijkheid te proberen, zodat het geen geldige opties mist.

5. Werkte het?

Ja, en het versloeg de concurrentie.

De onderzoekers testten MaskGXT op standaard kristaldatabases (MP-20 en MPTS-52).
De Score: Het mat de juiste kristalstructuren in 79% van de gevallen bij het zoeken naar verschillende vormen (polymorfen), vergeleken met ongeveer 71% voor de vorige beste methode.
Het behaalde ook de beste scores op standaardtests, wat bewees dat het nauwkeuriger is en beter in het vinden van de juiste vormen dan oudere methoden.

De Kernboodschap

Dit artikel gaat niet alleen over een nieuw instrument voor het bouwen van kristallen. Het is een bewijs van concept dat AI kan helpen bij het ontdekken van nieuwe wetenschappelijke methoden.

De AI keek buiten zijn eigen vakgebied (door te lenen van visie).
Het combineerde dat met menselijke begeleiding (symmetrieregels).
Het bouwde een beter algoritme dan mensen dat gemakkelijk zelf hadden kunnen ontwerpen.

De onderzoekers noemen dit een "Human–AI Co-discovery." Het laat zien dat wanneer mensen de doelen stellen en hoogwaardige hints geven, en AI het zware werk doet van het zoeken en coderen, zij moeilijke wetenschappelijke puzzels sneller en beter kunnen oplossen dan voorheen.

Technische Samenvatting: Ontdekken van algoritmen voor kristalstructuurvoorspelling met een AI Co-Scientist

Probleemstelling
Kristalstructuurvoorspelling (Crystal Structure Prediction, CSP) is een centrale uitdaging in de computationele materiaalkunde, waarbij het genereren van stabiele kristalstructuren uit chemische composities vereist is. Het probleem wordt beperkt door periodiciteit (kristallen herhalen zich in de ruimte), fractionele coördinaten die op een torus leven, ruimtegroep-symmetrie en het bestaan van meerdere polymorfen voor een enkele compositie. Hoewel recente vooruitgang in generatieve modellering (bijv. diffusiemodellen, flow matching) de CSP heeft verbeteren, vertrouwen deze vaak op continue formuleringen die stochastische of iteratieve sampling vereisen, waardoor ze een eindige discrete beslissingsruimte missen voor betrouwbare greedy decoding. Bovendien opereren bestaande AI-research agents doorgaans binnen vaste probleemspecificaties, waarbij ze code of hyperparameters optimaliseren voor een gegeven modelfamilie, in plaats van nieuwe modelleringsprincipes over domeinen heen te ontdekken.

Methodologie: Het HACO-systeem
De auteurs introduceren HACO (Human–AI Co-discovery system), een framework ontworpen om wetenschappelijke algoritmen te ontdekken via cross-domain zoektochten en schaarse menselijke sturing. HACO werkt volgens twee kernprincipes:

Cross-Domain Transfer: In plaats van bestaande domeinspecifieke modellen te verstoren, zoekt de agent over generatieve modelleringsframeworks uit diverse velden (visie, taal, etc.) om overdraagbare principes te identificeren.
Schaarse Menselijke Interactie: Mensen bieden hoogwaardige doelstellingen of mechanismen (bijv. "verbeter polymorf-dekking" of "integreer symmetrie"), terwijl de agent de implementatie, training, evaluatie en verfijning afhandelt.

HACO maakt gebruik van een boomstructuur-zoekopdracht die wordt aangestuurd door een LLM (Claude Opus 4.7). De zoektocht verloopt in drie stadia:

Ontdekkingsfase: Zoekt naar de generatieve methodologie (budget van 2 uur per kandidaat).
Opschalingsfase: Optimaliseert de geselecteerde methodologie met grotere budgetten (budget van 12 uur).
Sampling Optimalisatie: Stemt het sampling-algoritme af.

Kernoperatoren zijn idea (voorstellen van cross-domain frameworks), draft (instantiëren van code), improve (het maken van coherente wijzigingen) en debug. De idea-operator identificeerde specifiek MaskGIT, een gemaskeerd generatief model uit computer vision, als een veelbelovende kandidaat voor CSP.

Het Resulterende Algoritme: MaskGXT
Door het HACO-proces heeft het systeem MaskGXT (Masked Generative Crystal Transformer) ontwikkeld. In tegenstelling tot continue diffusiemodellen, formuleert MaskGXT CSP als een discrete token-generatietaak.

Tokenisatie: Een kristal wordt gerepresenteerd als een sequentie van $1 + 6 + 5N$ $1 + 6 + 5 N$ tokens:
- 1 Ruimtegroep-token.
- 6 Rooster-tokens (gekwantiseerde lengtes en hoeken).
- $5N$ Site-tokens: 3 gekwantiseerde coördinaat-tokens, 1 Wyckoff-positie token, en 1 atoomtype-token.
- Atoomtypes worden geleverd als zijinformatie (conditioning).
Discretisering & Smoothing: Continue fractionele coördinaten worden in kaart gebracht naar discrete bins op een cirkel (modulo 1). Om de metrische structuur te behouden, gebruikt het model ordinale, circulaire label smoothing voor coördinaten en standaard ordinale smoothing voor roosterparameters, in plaats van de bins als ongeordende categorieën te behandelen.
Symmetrie Afhandeling: Het model leert consistente ruimtegroep- en Wyckoff-tokens toe te wijzen aan verschillende eenheidscel-oorsprongen en atoomvolgordes via online augmentaties (Euclidische-normalisator oorsprong-verschuivingen en intra/inter-orbit permutaties).
Architectuur: Een bidirectionale Transformer-trunk met QK-genormaliseerde self-attention en SwiGLU feedforward netwerken. Het bevat een lichtgewicht regressie-kop om sub-bin offsets te voorspellen, wat de geometrische precisie verder verfijnt voorbij de discrete bin-resolutie.
Sampling:
- Space Group Stratified Sampling: Het model voorspelt een posterior over ruimtegroepen. Voor polymorf-dekking vertakt de generatie zich in aparte stromen voor de hoogste-posterior ruimtegroepen.
- Confidence-Ranked Greedy Decoding: In plaats van stochastische sampling, unmaskt het model deterministisch de tokens met de hoogste betrouwbaarheid (argmax), wat efficiënte generatie van hoog-waarschijnlijke structuren mogelijk maakt.

Belangrijkste Bijdragen

HACO Framework: Demonstreert dat een AI co-scientist, geleid door schaarse menselijke doelstellingen, een overdraagbaar modelleringsprincipe (MaskGIT uit visie) kan identificeren en kan aanpassen aan de beperkingen van kristallografie (CSP) om een state-of-the-art algoritme te produceren.
MaskGXT: Introduceert een discrete gemaskeerde generatieve transformer voor kristallen die rooster, coördinaten, ruimtegroepen en Wyckoff-posities verenigt in een enkele token-sequentie, wat efficiënte greedy decoding en expliciete symmetrie-afhandeling mogelijk maakt.
Prestatiewinst: Toont aan dat een enkel MaskGXT-model de hoogste match rates behaalt op standaard benchmarks en de polymorf-dekking aanzienlijk verbetert.

Experimentele Resultaten
Het model werd geëvalueerd op de MP-20 en MPTS-52 benchmarks, evenals de MP-20 polymorf split (die de dekking van meerdere structuren per compositie test).

Standaard CSP (Eén-op-één): MaskGXT behaalde de hoogste match rate (MR) op zowel MP-20 (73,79% ongefilterd) als MPTS-52 (36,75% ongefilterd), waarmee het sterke baselines zoals Crystalite, MCFlow en FlowMM verslaat. Het behaalde ook de laagste gematchte-paar RMSE.
Polymorf Dekking (METRe): Op de MP-20 polymorf split bereikte MaskGXT een 79,06% Match-Everyone-to-Reference (METRe) nauwkeurigheid, vergeleken met 70,87% voor de sterkste baseline (Crystalite). Deze verbetering wordt toegeschreven aan de space group gestratificeerde sampling, die het generatiebudget toewijst aan verschillende hoog-waarschijnlijke ruimtegroepen.
Ablatie Studies:
- Het verwijderen van symmetrie-tokens veroorzaakte een significante daling in METRe op de polymorf split, wat de noodzaak van expliciete symmetrie-modellering bevestigt.
- Het verwijderen van sub-bin offset regressie had een minimaal effect op de match rate, maar verhoogde de RMSE aanzienlijk, wat de rol ervan bij geometrische precisie bewijst.
- Greedy decoding verbeterde de single-structure nauwkeurigheid, terwijl stratified sampling cruciaal was voor de polymorf-dekking.

Betekenis en Claims
Het artikel claimt dat in domeinen die worden gekenmerkt door "goedkope, snelle en goed afgestemde validatie" (zoals CSP met geautomatiseerde structuurmatching), transfer-geleide interactieve AI co-scientists kunnen bijdragen aan de ontdekking van wetenschappelijke algoritmen. Specifiek slaagde het systeem erin:

Een modelleringsprincipe uit een ongerelateerd veld (gemaskeerde generatieve modellering in visie) te identificeren en aan te passen aan de beperkingen van kristallografie.
Deze transfer te combineren met gerichte menselijke domeinguidance (bijv. het aanvragen van symmetrie-bewuste generatie) om het algoritme te verfijnen.
Een competitief algoritme te produceren dat standaard benchmarks vooruithelpt zonder dat de mens lage-niveau implementatiedetails hoeft te specificeren.

De auteurs merken op dat het succes van deze loop afhangt van de specifieke structuur van het CSP-probleem (vaste datasets, snelle trainingscycli en betrouwbare validatiemetrieken). Ze suggereren dat het uitbreiden van deze aanpak naar domeinen met fysieke experimenten of zwakke proxy-doelstellingen een meer gestructureerde evaluatie en sterkere menselijke sturing zou vereisen.