Synthesizing like a chemist: an iterative, feedback-driven loop for materials discovery
Dit artikel presenteert een closed-loop framework dat grote taalmodellen, hoogdoorvoer hyperspectrale beeldvorming en multi-objective Bayesiaanse optimalisatie integreert om de iteratieve synthese en ontdekking van nieuwe materialen te automatiseren en te versnellen, succesvol gedemonstreerd door het creëren van de voorheen ongerapporteerde Rb3BiI6-perovskiet-geïnspireerde dunne films.
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
De zoektocht naar nieuwe materialen wordt vaak voorgesteld als een race tegen de klok, waarbij wetenschappers krachtige computers gebruiken om te voorspellen welke combinaties van atomen betere batterijen, snellere zonnecellen of efficiëntere elektronica kunnen creëren. Jarenlang is deze computationele aanpak bijzonder succesvol geweest in het genereren van lange lijsten met veelbelovende kandidaten. Echter, een aanzienlijke flessenhals is ontstaan: hoewel computers duizenden nieuwe verbindingen per dag kunnen voorstellen, blijft het fysieke proces om ze daadwerkelijk in een laboratorium te maken traag, moeilijk en sterk afhankelijk van menselijke intuïtie. Het omzetten van een digitale voorspelling in een echt, werkend materiaal vereist dat een chemicus chemicaliën mengt, ze verhit en de resultaten observeert, een proces dat vaak gepaard gaat met trial-and-error. Als de eerste poging mislukt, moet de wetenschapper raden wat hij moet veranderen, het opnieuw proberen en dit proces herhalen totdat het materiaal presteert zoals verwacht. Deze kloof tussen wat computers kunnen voorspellen en wat mensen kunnen bouwen, heeft het tempo van ontdekkingen vertraagd, waardoor veel theoretisch perfecte materialen slechts op een scherm blijven staan.
Een team onderzoekers van het Massachusetts Institute of Technology en het Toyota Research Institute heeft een nieuwe manier ontwikkeld om deze kloof te overbruggen door het proces waarmee menselijke experts hun werk verfijnen, te automatiseren. In plaats van de creatie van een nieuw materiaal te behandelen als een enkel 'guess-and-check'-evenement, hebben zij een systeem gebouwd dat de iteratieve, door feedback gestuurde lus van een ervaren chemicus nabootst. Dit systeem combineert drie onderscheidende capaciteiten: een groot taalmodel dat wetenschappelijke literatuur leest om te begrijngen wat eerder heeft gewerkt, een hogesnelheidscamerasysteem dat de kwaliteit van nieuwe films in enkele seconden evalueert, en een intelligent algoritme dat beslist wat de volgende stap is op basis van die resultaten. Door menselijke kennis direct in deze geautomatiseerde lus te plaatsen, hebben de onderzoekers een machine gecreëerd die niet alleen een rigide reeks instructies volgt, maar ook leert en zich aanpast terwijl hij werkt, net zoals een menselijke onderzoeker dat zou doen.
Om dit kader te testen, kozen het team een specifieke uitdaging: het maken van een dunne film van een verbinding genaamd Rb3BiI6, een materiaal geïnspireerd op de structuur van perovskieten, maar dat nog nooit succesvol in een laboratorium was gesynthetiseerd. Omdat niemand het ooit had gemaakt, was er geen bestaand recept om te volgen. De onderzoekers zetten twee parallelle experimenten op om te zien hoe hun nieuwe systeem zich verhield tot een standaardmethode. De eerste aanpak gebruikte een traditionele techniek genaamd Latin hypercube sampling, een veelgebruikte manier om een experiment te starten door willekeurige condities te kiezen binnen een breed scala aan mogelijkheden, wat in feite een breed net uitwerpt zonder enige voorkennis. De tweede aanpak gebruikte hun nieuwe systeem, dat begon door een groot taalmodel te vragen om duizenden wetenschappelijke artikelen over soortgelijke materialen te lezen. Het model destilleerde deze informatie om een veel nauwere, meer geïnformeerde set van startcondities voor te stellen, wat het experiment effectief een voorsprong gaf op basis van de collectieve wijsheid van de wetenschappelijke gemeenschap.
Zodra de experimenten begonnen, werd het verschil in efficiëntie duidelijk. Het systeem dat door het taalmodel werd gestuurd, begon met monsters die al van hogere kwaliteit waren dan die van de willekeurige aanpak. Het produceerde films die meer uniform waren en minder onzuiverheden hadden vanaf de eerste reeks proeven. Terwijl het experiment vorderde, gebruikte het systeem een high-throughput hyperspectrale beeldcamer om de films te evalueren. Deze camera fungeert als een superkrachtig oog dat het gehele oppervlak van een film scant en tegelijkert zowel het visuele uiterlijk als de lichtreflecterende eigenschappen vastlegt. Binnen enkele minuten kon het systeem tientallen duizenden minuscule punten op de film analyseren om te bepalen hoe goed de dekking op het glas was, hoe consistent het over het oppervlak was en of het uit de juiste chemische fase bestond. Deze snelle feedback stelde het algoritme in staat om onmiddellijk zijn volgende set instructies aan te passen, waardoor de focus werd vernauwd op de condities die het beste werkten.
In contrast hiermee nam de traditionele methode, die begon met een bredere en minder geïnformeerde zoektocht, veel meer pogingen nodig om hoogwaardige monsters te vinden. Het nieuwe systeem vond niet alleen sneller betere resultaten, maar behield dat voordeel gedurende het gehele optimalisatieproces. Aan het einde van de campagne had de door taal geleide aanpak een aanzienlijk hoger aantal succesvolle monsters geïdentificeerd en een hoger algemeen niveau van filmkwaliteit bereikt met hetzelfde aantal experimentele proeven. De onderzoekers valideerden hun beste resultaten door de uiteindelijke films te analyseren met standaard laboratoriuminstrumenten, waaronder röntgendiffractie, wat bevestigde dat het materiaal de beoogde kristalstructuur had gevormd. De optische eigenschappen van de film kwamen overeen met de theoretische voorspellingen, wat suggereert dat het geautomatiseerde systeem succesvol door het complexe chemische landschap had genavigeerd om een nieuw materiaal te creëren dat voorheen slechts een computertheorie was.
Dit werk demonstreert dat de flessenhals in de ontdekking van materialen niet alleen een gebrek aan rekenkracht of een tekort aan slimme algoritmen is, maar eerder de moeilijkheid om menselijke expertise te vertalen naar een formaat dat machines kunnen gebruiken. Door de impliciete kennis van chemici — kennis die vaak ongeschreven is en wordt verworven door jarenlange ervaring — in een geautomatiseerde lus te integreren, hebben de onderzoekers aangetoond dat machines materialen effectiever kunnen synthetiseren. Het systeem vervangt de wetenschapper niet, maar vergroot diens vermogen om nieuwe mogelijkheden te verkennen, door het trage, handmatige proces van verfijning te veranderen in een snelle, continue cyclus van leren. Hoewel het specifieke materiaal dat in deze studie is getest slechts één voorbeeld is, biedt de strategie een algemeen pad vooruit om de ontdekking van talloze andere anorganische materialen te versnellen, wat potentieel de manier waarop nieuwe technologieën van het theoretische domein naar de fysieke wereld worden gebracht, kan transformeren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.