Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

Elk materiaal heeft een breekpunt, een moment waarop de hitte te groot wordt om te verdragen en de chemische verbindingen die het bij elkaar houden beginnen te knappen. Voor de wetenschappers die energetische materialen ontwerpen — stoffen zoals explosieven en driefstoffen die raketten aandrijven of machines in beweging zetten — is het kennen van dit breekpunt een kwestie van leven of dood. Als een materiaal te instabiel is, kan het voortijdig exploderen tijdens opslag; als het te stabiel is, kan het zijn taak niet uitvoeren wanneer dat nodig is. De standaardmanier om deze veiligheidsmarge te meten, is door een monster in een laboratorium te verhitten en de exacte temperatuur vast te leggen waarbij het begint te ontleden. Echter, deze eenvoudige meting is verrassend moeilijk te vertrouwen. Verschillende laboratoria gebruiken verschillende opwarmsnelheden, verschillende hoeveelheden monsters en verschillende manieren om de resultaten te rapporteren. Wanneer onderzoekers proberen deze cijfers uit veel verschillende bronnen te verzamelen om een computermodel te bouwen, wordt de data een ruisende, inconsistente bende, wat het bijna onmogelijk maakt om een machine te leren voorspellen welke nieuwe moleculen veilig zullen zijn en welke gevaarlijk.

Een team onderzoekers van het Los Alamos National Laboratory en Texas Tech University heeft een slimme manier gevonden om door deze ruis heen te snijden. In plaats van de computer te leren om de exacte temperatuur te voorspellen waarbij een molecuul uiteenvalt, leerden ze het om twee moleculen tegelijkertijd te vergelijken en te beslissen welk molecuul stabieler is. Deze aanpak, die zij differentiële leerprocessen noemen, negeert de verwarrende verschillen tussen laboratoria en richt zich volledig op de relatieve volgorde van de materialen. Door kunstmatige intelligentie te trainen om naar paren moleculen te kijken en het verschil in hun stabiliteit te voorspellen, creëerde het team een systeem dat duizenden verbindingen met hoge nauwkeurigheid kan rangschikken. Hun werk suggereert dat hoewel we een enkel getal uit een laboratoriumrapport niet altijd kunnen vertrouwen, we de relatie tussen twee verschillende chemicaliën wel betrouwbaar kunnen vertrouwen.

De onderzoekers pasten deze methode toe op een dataset van organische moleculen die alleen koolstof, waterstof, stikstof en zuurstof bevatten, een veelvoorkomende groep in energetische materialen. Ze verzamelden experimentele gegevens uit gepubliceerde studies, maar zoals verwacht waren de cijfers inconsistent. Wanneer ze standaard computermodellen probeerden te gebruiken om de exacte ontledingstemperatuur voor elk molecuul te voorspellen, waren de resultaten slecht. De modellen hadden moeite om moleculen die erg op elkaar leken te onderscheiden en faalden vaak bij het identificeren van de meest stabiele of minst stabiele uitschieters. Dit falen benadrukte het probleem: de ruis in de data overstemde de ware chemische signalen.

Om dit op te lossen, veranderde het team de vraag. Ze stopten met het vragen aan de computer: "Wat is de temperatuur van dit molecuul?" en begonnen te vragen: "Is dit molecuul stabieler dan dat andere?" Ze voedden de computer met paren moleculen en vroegen het om het verschil in hun stabiliteit te voorspellen. Deze verschuiving stelde hen in staat om een enorme hoeveelheid trainingsvoorbeelden te genereren uit een relatief kleine set gegevens. Als ze 850 moleculen hadden, konden ze honderdduizenden unieke paren creëren om te bestuderen. De computer leerde de subtiele structurele kenmerken te herkennen die ervoor zorgden dat het ene molecuul beter bij elkaar bleef dan het andere, waardoor de experimentele fouten die de absolute getallen tegenspelen effectief werden weggefilterd.

Ze testten twee verschillende soorten computermodellen om te zien welke het beste werkte. Eén model bekeek de moleculen als eenvoudige grafieken van atomen en verbindingen, waarbij het direct leerde van de vorm van het molecuul. Het andere model gebruikte een lijst met berekende eigenschappen, zoals hoeveel energie het kost om een specifieke binding te verbreken, om een beslissing te nemen. Beide modellen presteerden opmerkelijk goed. Wanneer ze gevraagd werd om de moleculen in een testset te rangschikken, identificeerden ze het meer stabiele lid van een paar ongeveer 87 procent van de tijd. Dit was een significante verbetering ten opzichte van de traditionele methoden, die moeite hadden gehad om zin te geven aan dezelfde data. Het succes van beide modellen, ondanks het gebruik van verschillende manieren om naar de moleculen te kijken, gaf de onderzoekers het vertrouwen dat ze een robuuste manier hadden gevonden om met rommelige experimentele data om te gaan.

Buiten het louter rangschikken van de moleculen, wilden de onderzoekers begrijpen wat de computer daadwerkelijk leerde. Ze gebruikten een techniek om in de "black box" van het neurale netwerk te kijken en te zien welke kenmerken de voorspellingen dreven. Ze ontdekten dat de computer zwaar leunde op twee hoofdfactoren: de balans van zuurstof in het molecuul en de sterkte van de zwakste chemische verbindingen. Dit komt overeen met wat chemici al lang vermoeden. Bij energetische materialen correleert de aanwezigheid van zuurstof vaak met een hogere prestatie maar lagere stabiliteit, terwijl de zwakste binding in een keten fungeert als een trigger voor ontleding. De studie onthulde echter ook dat geen enkele factor het hele verhaal vertelt. De computer keek niet alleen naar de zwakste binding in isolatie; het overwoog de gehele combinatie van de vorm van het molecuul, de bindingssterktes en de chemische samenstelling. Dit suggereert dat het voorspellen van stabiliteit een complexe puzzel is waarbij de interactie van vele kleine onderdelen belangrijker is dan elk enkel onderdeel.

Om te demonstreren hoe dit inzicht in de echte wereld gebruikt kan worden, gebruikte het team een beroemd, zeer stabiel molecuul genaamd TATB als startpunt. Ze vroegen de computer om kleine veranderingen aan de structuur van het molecuul te bedenken en te voorspellen hoe die veranderingen de stabiliteit zouden beïnvloeden. Het model identificeerde correct dat het vervangen van bepaalde groepen atomen door andere groepen de stabiliteit van het molecuul kon versterken of verzwakken. Het voorspelde bijvoorbeeld dat het vervangen van specifieke waterstofhoudende groepen door zuurstofhoudende groepen het molecuul aanzienlijk minder stabiel zou maken. Omgekeerd suggereerde het dat het volledig verwijderen van bepaalde onstabiele groepen het molecuul nog robuuster zou kunnen maken. Deze bevindingen bieden een duidelijke gids voor chemici die nieuwe materialen willen ontwerpen: ze weten welke structurele kenmerken ze moeten behouden en welke ze moeten vermijden om de juiste balans tussen kracht en veiligheid te bereiken.

De studie concludeert dat deze differentiële aanpak een krachtig hulpmiddel is voor materiaalkundige ontdekkingen, vooral wanneer de beschikbare data imperfect is. Door zich te richten op relatieve verschillen in plaats van absolute waarden, waren de onderzoekers in staat een model te bouwen dat goed werkt ondanks de inconsistenties in de wijze waarop de data is verzameld. Ze hebben hun dataset en hun modellen publiekelijk beschikbaar gesteld, in de hoop dat anderen deze methode zullen gebruiken om veiligere en effectievere materialen te ontwerpen. Hoewel de huidige modellen gebaseerd zijn op de eigenschappen van geïsoleerde moleculen in een vacuüm, erkennen de onderzoekers dat materialen in de echte wereld in vaste vormen bestaan waarin moleculen met elkaar interageren. Toekomstig werk zal rekening moeten houden met deze interacties, maar het succes van deze nieuwe methode biedt een veelbelovend pad voor het navigeren door de complexe chemie van thermische stabiliteit.