In de zoektocht naar het ontwerpen van nieuwe materialen vertrouwen wetenschappers vaak op een krachtige maar computationeel dure tool genaamd dichtheidsfunctionaaltheorie. Deze methode werkt als een virtuele microscoop die berekent hoe elektronen zich rondom atomen rangschikken om de eigenschappen van een materiaal te bepalen, zoals de sterkte, geleidbaarheid of het vermogen om warmte te geleiden. Hoewel accuraat, zijn deze berekeningen zo traag dat het testen van zelfs maar enkele duizenden kandidaat-structuren jaren kan duren. Om dit te versnellen, hebben onderzoekers zich tot kunstmatige intelligentie gewend, specifiek een type model dat bekend staat als een graph neural network. Deze netwerken behandelen een kristal niet als een raster van getallen, maar als een kaart van verbindingen, waarbij atomen stippen zijn en de bindingen tussen hen lijnen. Door te leren van duizenden bekende kristallen, kunnen deze kaarten eigenschappen voorspellen in een fractie van een seconde. Echter, jarenlang waren deze AI-modellen fragiel; ze vereisten gespecialiseerde softwarebibliotheken die vaak defect raakten bij updates van computerhardware, en ze waren beperkt tot het voorspellen van slechts één ding tegelijk, waardoor wetenschappers aparte, niet-verbonden modellen voor verschillende taken moesten draaien.

Een team van onderzoekers heeft nu een nieuw, verenigd framework geïntroduceerd genaamd ALIGNN 2.0, dat deze problemen oplost door het hele systeem vanaf de grond af aan te herbouwen met behulp van alleen standaard, breed beschikbare softwarecomponenten. Deze nieuwe aanpak elimineert de noodzaak voor gespecialiseerde, moeilijk te onderhouden bibliotheken, waardoor de modellen gemakkelijker te installeren en uit te voeren zijn op de nieuwste computerchips. Nog belangrijker is dat het de volledige workflow verenigt: een enkel model kan nu een breed scala aan verschillende eigenschappen voorspellen vanuit één kristalstructuur, variërend van eenvoudige getallen zoals energie tot complexe vormen zoals vibratiespectra en zelfs de krachten die atomen bij elkaar houden. Dit stelt wetenschappers in staat om te simuleren hoe een materiaal beweegt en verandert over de tijd, een taak die voorheen een heel ander type model vereiste. De onderzoekers ontdekten dat hoewel een specifieke manier van het verbinden van atomen het beste werkt voor het voorspellen van statische eigenschappen, een iets andere verbindingsmethode essentieel is voor het simuleren van beweging zonder de wetten van de fysica te schenden. Door beide te beheersen, kan het nieuwe systeem miljoenen materialen screenen op supergeleiders, voorspellen hoe ze zullen vibreren wanneer ze worden verhit, en zelfs geheel nieuwe kristalstructuren genereren die nog niet bestaan.

De kern van deze prestatie ligt in de manier waarop het model het materiaal "ziet". Traditionele modellen kijken vaak naar atomen en de rechte lijnen die hen verbinden, maar dit nieuwe systeem voegt een tweede laag van visie toe: een kaart van de hoeken tussen die lijnen. Hierdoor kan de AI de driedimensionale geometrie van het kristal begrijpen, wat cruciaal is voor het voorspellen van eigenschappen zoals hoe een materiaal buigt onder druk of hoe het elektriciteit geleidt. De onderzoekers testten dit nieuwe framework tegen dertig verschillende taken, van het voorspellen van de energie die nodig is om een laag van een materiaal te strippen tot het berekenen van de temperatuur waarbij een substantie een supergeleider wordt. In zesentwintig van deze tests presteerde het nieuwe model beter dan de vorige beste versies, waarbij significante verbeteringen werden getoond in het voorspellen van complexe reacties zoals piezoelectriciteit, oftewel het vermogen van een materiaal om elektriciteit te genereren wanneer het wordt samengedrukt. Het systeem bleek ook in staat te zijn om het volledige spectrum van licht dat een materiaal absorbeert of uitzendt te voorspellen, waarbij het de resultaten van veel tragere, traditionele fysica-simulaties evenaarde.

Buiten het simpelweg voorspellen wat een bekend materiaal zal doen, hebben de onderzoekers aangetoond dat dit framework ook in omgekeerde richting kan werken om nieuwe materialen uit te vinden. Door het model een gewenste chemische samenstelling en een doel-eigenschap te voeden, zoals een specifieke supergeleidende temperatuur, kan het systeem een lijst met kandidaat-kristalstructuren genereren die die kenmerken zouden kunnen bezitten. In tests met meer dan honderdduizend potentiële materialen identificeerde het systeem succesvol bekende hoogtemperatuur-supergeleiders en voorspelde het hun gedrag met hoge nauwkeurigheid. Het ging zelfs een stap verder door de volledige vorm van de elektron-fonon-interactie te voorspellen, een gedetailleerde kaart van hoe elektronen en atomaire vibraties met elkaar interageren, wat essentieel is voor het begrijpen van supergeleiding. Deze capaciteit stelt onderzoekers in staat om enorme databases van materialen te screenen en veelbelovende kandidaten voor real-world toepassingen te vinden zonder ze eerst te hoeven synthetiseren.

De kracht van deze verenigde aanpak wordt nog duidelijker wanneer men kijkt naar hoe het omgaat met de fysieke beweging van atomen. Eerdere modellen konden de energie van een statisch kristal voorspellen, maar ze faalden vaak wanneer ze gevraagd werd om het bewegende kristal te simuleren, omdat hun voorspellingen grillig sprongen maakten wanneer atomen slechts licht verschoven. Het nieuwe ALIGNN 2.0-model produceert echter vloeiende, continue voorspellingen die energie behouden, waardoor het realistische simulaties kan aansturen van hoe materialen zich gedragen onder spanning of bij hoge temperaturen. De onderzoekers testten dit door het gedrag van silicium en andere materialen te simuleren, waarbij ze ontdekten dat het model stabiel bleef over lange perioden, een kritieke vereiste voor elk instrument dat wordt gebruikt om real-world apparaten te ontwerpen. Deze stabiliteit betekent dat hetzelfde model kan worden gebruikt om een structuur te laten relaxeren naar zijn laagste energietoestand, de krachten te berekenen, en vervolgens direct die krachten te gebruiken om te simuleren hoe het zou vibreren of warmte zou geleiden, allemaal binnen één naadloze workflow.

De implicaties van dit werk strekken zich uit tot de manier waarop wetenschappers materialen observeren. De onderzoekers toonden aan dat hetzelfde model niet alleen de structuur en energie kan voorspellen, maar ook de gedetailleerde beelden die zouden verschijnen in een elektronenmicroscoop. Door te berekenen hoe atomen vibreren bij kamertemperatuur, kon het systeem de wazige, heldere vlekken simuleren die te zien zijn in hoog-resolutie beelden van zware atomen, waarbij het de resultaten van complexe fysieke simulaties evenaarde. Dit creëert een gesloten lus waarbij een model een structuur kan voorspellen, kan simuleren hoe deze er onder een microscoop uit zou zien, en vervolgens die gesimuleerde afbeelding kan gebruiken om de eigenschappen van de structuur te verifiëren. Het team paste dit ook toe op het ontwerp van complexe apparaten, zoals magnetische tunnelovergangen die worden gebruikt in computergeheugen, waarbij het model succesvol het magnetische en elektrische gedrag van meerdere lagen van verschillende gestapelde materialen voorspelde.

Een van de meest significante bevindingen van de studie is de ontdekking dat de beste manier om atomen in het model te verbinden afhangt van de taak die voorhanden is. Voor het voorspellen van statische eigenschappen zoals energie of bandgap werkte een methode die elk atoom met zijn acht dichtstbijzijnde buren verbindt het best, wat een breder beeld geeft van de omringende structuur. Echter, voor het simuleren van beweging en krachten veroorzaerde deze methode problemen, omdat de lijst met buren plotseling zou veranderen terwijl atomen bewogen, wat onrealistische sprongen in energie creëerde. De onderzoekers ontdekten dat het gebruik van een methode gebaseerd op een vaste afstand, waarbij atomen worden verbonden als ze binnen een bepaalde reikwijdte liggen, de vloeiende overgangen bood die nodig zijn voor nauwkeurige bewegingssimulaties. Hoewel deze afstand-gebaseerde methode iets minder accuraat was voor statische voorspellingen, was het de enige die beide taken tegelijkertijd kon afhandelen zonder te breken. Deze trade-off benadrukt een cruciaal inzicht: de keuze van hoe men de geometrie van het materiaal representeert is net zo belangrijk als het leeralgoritme zelf.

De onderzoekers verkenden ook of het toevoegen van een extra laag informatie over bindingshoeken, los van de hoofdstructuur, de capaciteit van het model zou verbeteren om nieuwe kristallen te genereren. Ze kwamen tot de conclusie dat hoewel deze extra informatie het model hielp de geometrie van de hoeken te leren, het niet consistent de uiteindelijke resultaten verbeterde wanneer het werd gecombineerd met de hoofdstructuurkaart. In sommige gevallen conflicteerden de twee bronnen van informatie zelfs, wat suggereert dat de hoofdkaart al voldoende detail over de hoeken bevatte. Dit zorgvuldige testen van verschillende componenten zorgt ervoor dat het uiteindelijke model niet slechts een verzameling kenmerken is, maar een gestroomlijnd systeem waarbij elk deel een duidelijk doel dient. Het resultaat is een tool die niet alleen nauwkeuriger is, maar ook efficiënter, in staat om te draaien op standaard hardware en te schalen naar systemen met honderdduizenden atomen.

Uiteindelijk vertegenwoordigt dit werk een verschuiving van het bouwen van gespecialiseerde, enkeldoelige tools naar het creëren van een veelzijdig, alles-in-één framework voor materiaalkunde. Door de voorspelling van eigenschappen, krachten en spectra te verenigen, en door het mogelijk te maken om nieuwe structuren te genereren, hebben de onderzoekers een krachtige nieuwe manier geboden om de uitgestrekte landschappen van mogelijke materialen te verkennen. Het systeem wordt al gebruikt om enorme databases van bekende en hypothetische materialen te screenen, waarbij kandidaten voor supergeleiders, batterijen en andere technologieën worden geïdentificeerd. Omdat het model gebouwd is op standaard software en kan draaien op de nieuwste computerchips, is het toegankelijk voor een breed scala aan wetenschappers, wat potentieel de ontdekking van nieuwe materialen kan versnellen die de wereldwijde energie- en technologische uitdagingen kunnen oplossen. Het vermogen om te voorspellen hoe een materiaal zal reageren, hoe het zal vibreren en zelfs hoe het er onder een microscoop uit zal zien, allemaal vanuit één enkel, verenigd model, markeert een belangrijke stap voorwaarts in het veld van computationele materiaalkundige ontdekking.