Reliability of AI/ML Computational Searches for Magnetic Materials: Databases, Validation, and Synthesizability

De zoektocht naar nieuwe magnetische materialen is een onderneming met hoge inzet in de moderne wetenschap, gedreven door de behoefte aan betere motoren, efficiëntere energieopslag en geavanceerde elektronica. Decennialang hebben onderzoekers vertrouwd op een methodisch proces van vallen en opstaan, waarbij ze elementen mengden en hun eigenschappen in het laboratorium testten. Vandaag de dag is er echter een krachtig nieuw instrument dat het toneel betreedt: kunstmatige intelligentie. Deze computerprogramma's kunnen door enorme digitale bibliotheken van chemische combinaties scannen en voorspellen welke eigenschappen de benodigde magnetische kracht voor toekomstige technologieën zouden kunnen bezitten. De belofte is verleidelijk — machines die het perfecte materiaal kunnen vinden in een fractie van de tijd die een mens nodig heeft. Toch brengt deze snelheid een verborgen valkuil met zich mee. Alleen omdat een computer miljoenen datapunten kan verwerken, betekent dit niet dat hij de fysieke realiteit van de materialen die hij bestudeert, begrijpt. Als de digitale bibliotheek cruciale details mist over hoe atomen zich gedragen wanneer ze warm worden of hoe ze zich mengen, kunnen de voorspellingen van de computer wiskundig perfect maar fysiek nutteloos zijn.

Dit is het centrale probleem waar een team van onderzoekers zich mee bezighoudt, die heroverwegen hoe we kunstmatige intelligentie gebruiken om magneten te ontdekken. Zij stellen dat de huidige aanpak, die vaak gericht is op het simpelweg toevoegen van meer vermeldingen aan een database, gebrekkig is. Het probleem is niet de kwantiteit van de data, maar de kwaliteit en volledigheid van de informatie daarin. Een database kan duizenden kristalstructuren bevatten, maar als het nalaat vast te leggen hoe die structuren zich gedragen bij kamertemperatuur of hoe ze reageren wanneer de atomen binnenin ze door elkaar zijn gehusseld, zullen de daaruit afgeleide voorspellingen onbetrouwbaar zijn. De onderzoekers stellen een nieuwe werkwijze voor waarbij kunstmatige intelligentie niet als het definitieve antwoord wordt beschouwd, maar als een startpunt. Ze suggereren een stapsgewijze workflow waarbij een eerste gok van een computer direct wordt gevolgd door rigoureuze, op fysica gebaseerde controles die de stabiliteit, het magnetisme en de mogelijkheid om daadwerkelijk in een echt laboratorium te bouwen, testen.

Om te illustreren waarom deze extra laag van nauwkeurigheid zo essentieel is, richtte het team zich op een specifieke kandidaat-materiaal dat door eerdere computerzoekopdrachten als een veelbelovende nieuwe magneet was aangemerkt. Deze verbinding, bestaande uit ijzer, kobalt en boor, leek een winnaar te zijn toen de onderzoekers alleen naar de energietoestand bij het absolute nulpunt keken, de theoretisch koudste temperatuur mogelijk. In die bevroren staat leken de atomen een nette, geordende rangschikking te verkiezen die een sterke magneet zou maken. De onderzoekers wisten echter dat materialen in de echte wereld nooit bij het absolute nulpunt zijn. Ze moesten weten of deze geordende structuur de hitte van een productieproces zou kunnen overleven. Ze maakten gebruik van een concept dat bekend staat als het synthesevenster, dat twee kritieke temperaturen vergelijkt. De ene is de temperatuur waarbij de atomen mobiel genoeg worden om rond te bewegen en zich in hun geordende posities te nestelen. De andere is de temperatuur waarbij de geordende structuur daadwerkelijk de meest stabiele staat is. Voor een materiaal om succesvol gemaakt te kunnen worden, moet er een gat bestaan tussen deze twee temperaturen — een venster waarin de atomen kunnen bewegen om hun plekjes te vinden, maar waarin die plekjes ook nog steeds de meest comfortabele plek voor hen zijn.

Toen de onderzoekers deze test toepasten op de ijzer-kobalt-boorverbinding, waren de resultaten onomstotelijk. Hoewel de geordende versie inderdaad de meest stabiele was bij het absolute nulpunt, was het energieverschil tussen de geordende staat en een gedesorganiseerde, door elkaar gehusselde staat extreem klein. Dit minuscule energieverschil betekende dat de temperatuur die nodig was om de atomen in hun nette arrangement te houden, ver onder de kamertemperatuur lag. Sterker nog, de berekeningen toonden aan dat de atomen alleen geordend zouden blijven als het materiaal werd afgekoeld tot ongeveer 118 Kelvin, wat ongeveer min 250 graden Fahrenheit is. Boven deze temperatuur zouden de atomen van nature in een gedesorganiseerde mix veranderen, waardoor de magnetische eigenschappen die de computer had voorspeld, vernietigd zouden worden. Omdat het smeltpunt van de legering rond de 1500 Kelvin ligt, is er geen temperatuurbereik waar het materiaal gesmolten, afgekoeld en in zijn geordende staat gehouden kan worden. De geordende structuur is kinetisch ontoegankelijk; het is een theoretische geest die niet gebouwd kan worden.

Deze bevinding dient als een krachtige waarschuwing voor het vakgebied van de materiaalkunde. Het demonstreert dat een materiaal energetisch gunstig kan zijn in een computersimulatie en toch onmogelijk te synthetiseren is in de echte wereld. De onderzoekers stelden dat het louter vertrouwen op de initiële computervoorspelling hen een doodlopende weg in zou hebben geleid, waarbij tijd en middelen zouden worden verspild aan een materiaal dat nooit als magneet zou kunnen bestaan. De studie benadrukt dat kunstmatige intelligentiemodellen slechts zo goed zijn als de natuurwetten waarmee ze worden gevoed. Als een model wordt getraind op data die chemische wanorde of de effecten van temperatuur negeert, zal het onvermijdelijk fout-positieven produceren. Het team betoogt dat de oplossing niet is om grotere databases te bouwen, maar om slimmere databases te bouwen die informatie bevatten over concurrerende magnetische staten, chemische menging en gedrag bij eindige temperaturen.

De weg vooruit, volgens de studie, omvat een hiërarchische aanpak waarbij kunstmatige intelligentie fungeert als een breed net om potentiële kandidaten te vangen, maar waarbij elke vangst onmiddellijk wordt onderworpen aan een reeks strikte fysieke tests. Deze tests moeten verifiëren dat het materiaal niet alleen stabiel is in een vacuüm, maar ook dynamisch stabiel, magnetisch robuust en kinetisch toegankelijk is. Alleen door de snelheid van machine learning te combineren met de diepgang van de traditionele fysica, kunnen onderzoekers hopen op het vinden van materialen die niet alleen theoretisch interessant zijn, maar ook praktisch bruikbaar. Het voorbeeld van ijzer-kobalt-boor bewijst dat zonder deze rigoureuze validatie, de snelle vooruitgang van kunstmatige intelligentie in de wetenschap het risico loopt een bandwagon te worden van zelfverzekerde maar onjuiste voorspellingen. De ware waarde van deze instrumenten ligt niet in hun vermogen om getallen te genereren, maar in hun capaciteit om menselijke onderzoekers te leiden naar de weinige, werkelijk levensvatbare materialen die de wereld kunnen veranderen.