Energetically Driven Structure Matching for Autonomous Total X-ray Scattering Experiments

In de moderne zoektocht naar nieuwe materialen richten wetenschappers zich steeds vaker op laboratoria die zichzelf aansturen. Deze "zelfsturende laboratoria" gebruiken robots om chemicaliën te mengen, krachtige computers om resultaten te analyseren en kunstmatige intelligentie om te beslissen wat de volgende stap is, allemaal in een continue lus. Het doel is om het proces van het vinden van materialen met specifieke eigenschappen, zoals betere batterijen of efficiëntere katalysatoren, te versnellen. Er blijft echter een aanzienlijke hindernis bestaan: precies weten wat de robot daadwerkelijk heeft gecreëerd. Wanneer een machine een minuscuul deeltje synthetiseert, kan de computer een perfecte vorm voorspellen, maar het echte deeltje kan er iets anders uitzien door de chaotische realiteit van hitte, oppervlaktespanning en atomaire spanning. Als het systeem de werkelijke structuur van het materiaal dat het zojuist heeft gemaakt niet nauwkeurig kan lezen, kan het niet effectief leren of de volgende stap met precisie sturen. Deze kloof tussen het geïdealiseerde model van de computer en de fysieke realiteit van het atoom is waar de volgende doorbraak in autonome wetenschap moet plaatsvinden.

Een team van onderzoekers aan de Technische Universiteit van Denemarken en de IT University of Copenhagen heeft een nieuwe manier ontwikkeld om deze kloof te overbruggen, specifiek voor experimenten met goudnanodeeltjes. Deze piepkleine deeltjes, vaak slechts enkele nanometers breed, zijn cruciaal voor veel technologieën, maar hun interne rangschikking van atomen bepaalt hoe ze zich gedragen. De onderzoekers concentreerden zich op een techniek genaamd totale röntgenverstrooiing, waarbij een röntgenstraal op de deeltjes botst en terugkaatst in een patroon dat hun atomaire structuur onthult. In eerdere autonome experimenten vergeleken systemen het experimentele röntgenpatroon met een bibliotheek van door de computer gegenereerde patronen gebaseerd op perfecte, geometrische vormen zoals sferen of octaëders. Hoewel dit snel ging, leidde deze methode vaak tot fouten. De computer vertelde de robot dat hij een specifieke vorm had gemaakt, om er later achter te komen dat het deeltje eigenlijk een andere grootte of vorm had omdat het computermodel negeerde hoe atomen verschuiven en rekken wanneer ze vrij aan het oppervlak van een minuscuul deeltje zijn.

Om dit op te lossen, introduceerde het team een methode die energie en hitte in de computermodellen brengt. In plaats van alleen naar statische, perfecte vormen te kijken, gebruikten ze een geavanceerd computerprogramma gebaseerd op machine learning om te simuleren hoe de atomen in de gouddeeltjes zich daadwerkelijk zouden ontspannen en bewegen. Ze testten drie niveaus van detail. Het eerste was de eenvoudige, geïdealiseerde vorm, die snel te berekenen is maar vaak onjuist. Het tweede hield in dat de computer de atomen liet "ontspannen", waardoor ze konden verschuiven naar een stabielere, lagere energietoestand, wat veel van de groottefouten corrigeerde. Het derde en meest gedetailleerde niveau hield in dat de deeltjes werden gesimuleerd alsof ze trilden door hitte, wat een dynamische wolk van mogelijke vormen creëerde in plaats van een enkel bevroren beeld. Toen ze deze drie benaderingen vergeleken met echte röntgendata van goudnanodeeltjes, waren de resultaten duidelijk. De eenvoudige modellen onderschatten consequent de grootte van de deeltjes en verwartelden soms de ene vorm met de andere. De modellen die rekening hielden met atomaire ontspanning waren veel beter, maar de modellen die de thermische beweging van atomen bevatten, kwamen bijna perfect overeen met de echte experimentele gegevens.

De onderzoekers ontdekten dat de eenvoudige modellen faalden omdat ze de deeltjes als starre blokken behandelden, waarbij ze negeerden dat oppervlakteatomen minder beperkt zijn en vaak naar binnen trekken of verschuiven om spanning te verlichten. Deze vervorming verandert de manier waarop röntgenstralen verstrooien, wat ertoe leidt dat de computer de verkeerde grootte of vorm raadt. Door machine-geleerde modellen te gebruiken om rekening te houden met deze verschuivingen, kon het systeem vergelijkbare vormen, zoals een decaëder (een tienzijdige vorm) en een octaëder (een achtzijdige vorm), van elkaar onderscheiden, wat de eenvoudige modellen vaak door elkaar haalden. Bovendien ontdekte het team dat het simuleren van de deeltjes in een vacuüm bij een iets lagere temperatuur resultaten opleverde die bijna identiek waren aan het simuleren in water, wat een groot praktisch voordeel is. Dit betekent dat de computer deze complexe, hittebewuste simulaties veel sneller kan draaien zonder de omringende vloeistof te hoeven modelleren, wat het proces geschikt maakt voor real-time gebruik.

Om deze hoge mate van nauwkeurigheid te laten werken binnen de strikte tijdslimieten van een autonoom experiment, ontwierp het team een "trechterstrategie". Stel je een proces voor dat begint met een breed net en snel vernauwt tot de meest veelbelovende kandidaten. Eerst gebruikt het systeem de snelle, eenvoudige modellen om een breed scala aan mogelijkheden te scannen en een paar waarschijnlijke vormen en groottes te identificeren. Vervolgens neemt het alleen die topkandidaten en voert de meer gedetailleerde, energiebewuste ontspanningssimulaties uit om de lijst te verfijnen. Ten slotte past het de computationeel meest veeleisende, hittegesimuleerde modellen alleen toe op de allerbeste resterende opties. Deze hiërarchische aanpak stelt het systeem in staat om de meest nauwkeurige structurele informatie te verkrijgen zonder uren te hoeven wachten tot de computer klaar is. In tests kon deze methode de best passende structuur binnen een tijdvenster van vijftien minuten identificeren, een tijdskader dat overeenkomt met de cyclus van een echt autonoom syntheseeperiment.

De implicaties van dit werk reiken verder dan alleen goudnanodeeltjes. Door te bewijzen dat energetisch gedreven structuurmatching parallel kan lopen met synthese, hebben de onderzoekers een pad opgelegd naar laboratoria die niet alleen een vooraf ingesteld plan volgen, maar ook hun doelen kunnen aanpassen op basis van wat ze daadwerkelijk vinden. Als het systeem beseft dat een specifieke vorm onder de huidige omstandigheden onmogelijk is, of dat een iets andere vorm energetisch stabieler is, kan het zijn doelstelling in real-time bijwerken. Dit verplaatst autonome wetenschap van simpelweg proberen een statisch doel te raken naar het verkennen van het landschap van wat fysiek mogelijk is. De studie toont aan dat door het combineren van snelle screening met gerichte, hoogwaardige simulaties, wetenschappers zelfsturende laboratoria eindelijk de mogelijkheid kunnen geven om de ware atomaire structuur van de materialen die ze creëren te zien, waardoor een blinde gok wordt omgezet in een heldere, geïnformeerde beslissing.