MASON: Materials Atomistic Structure builder Operated in Natural language

In de wereld van materiaalkunde moeten onderzoekers vaak kleine, perfecte modellen van materie bouwen om te begrijpen hoe dingen op atomair niveau werken. Stel je voor dat je probeert te voorspellen hoe een nieuwe batterij een lading vasthoudt of hoe een medicijn zal interageren met een cel; wetenschappers doen dit door digitale versies van atomen te maken die in specifieke patronen zijn gerangschikt. Deze patronen, bekend als kristalstructuren, zijn de blauwdrukken voor alles van het silicium in computerchips tot de metalen in straalmotoren. Om deze te bestuderen, gebruiken wetenschappers krachtige computers om simulaties uit te voeren, maar voordat de computer aan het werk kan gaan, moet een mens eerst het model construeren. Dit is een delicate taak. Als de atomen zelfs maar iets verkeerd zijn geplaatst, faalt de hele simulatie en worden de resultaten betekenisloos. Decennialang vereiste deze stap dat een onderzoeker complexe computercode schreef of handmatig 3D-vormen manipuleerde, een proces dat traag, foutgevoelig en moeilijk te hanteren is voor de nieuwe generatie kunstmatige intelligentie op eigen kracht.

Een team van onderzoekers heeft nu een nieuwe tool geïntroduceerd genaamd MASON, ontworpen om deze kloof tussen menselijke intentie en digitale constructie te overbruggen. Het systeem stelt wetenschappers in staat om de structuur die ze nodig hebben te beschrijven met gewoon Engels, en een kunstmatige intelligentie-agent vertaalt die woorden naar een nauwkeurig, foutloos atomair model. In plaats van de AI te vragen om code te schrijven die fouten zou kunnen bevatten, voorziet MASON de AI van een speciale set gespecialiseerde tools die zij direct kan gebruiken. Denk eraan dat je een bouwer een set kant-en-klare, perfect gekalibreerde stenen en een hamer geeft, in plaats van de bouwer te vragen om telkens opnieuw het cement te mengen en de stenen te vormen vanuit het niets. De onderzoekers hebben aangetoond dat deze aanpak betrouwbaar werkt, waardoor een AI een eenvoudige opdracht zoals "bouw een model van koolmonoxide dat aan een platina-oppervlak kleeft" kan uitvoen en een complexe, wetenschappelijk geldige structuur kan produceren die klaar is voor simulatie.

De kernuitdaging die de onderzoekers aanpakten, is dat moderne AI weliswaar een gesprek kan voeren en problemen kan beredeneren, maar moeite heeft met de specifieke, rigide regels van de kristallografie. In het verleden, als een wetenschapper wilde dat een AI een model bouwde, moest de AI een programma schrijven om dit te doen. Dit is riskant omdat een kleine fout in de code kan resulteren in overlappende atomen of een structuur die in de werkelijkheid niet bestaat. Het MASON-systeem verandert deze dynamiek door te fungeren als een gespecialiseerde server die tussen de AI en het constructieproces in zit. Wanneer een onderzoeker een vraag stelt, breekt de AI het verzoek af in een reeks stappen en roept MASON aan om elke stap uit te voeren. MASON voert de operatie vervolgens uit, zoals het doorsnijden van een plakje van een kristal of het toevoegen van een ontbrekend atoom, en rapporteert direct terug wat het gebouwd heeft. Deze feedbackloop zorgt ervoor dat als een stap misgaat, de AI het resultaat ziet en de volgende stap kan corrigeren voordat het model wordt voltooid.

Het systeem is georganiseerd in vijf hoofdcategorieën van tools die de volledige levenscyclus van het bouwen van een model beslaan. Ten eerste kan het bestaande structuren analyseren om te controleren of ze geldig zijn, door de atomen te tellen en de afstanden tussen hen te meten. Ten tweede kan het grotere versies van een kristal creëren of specifieke defecten introduceren, zoals het verwijderen van een atoom om een defect te simuleren. Derde kan het een blok materiaal doorsnijden om een vlak oppervlak te creëren, wat essentieel is voor het bestuderen van hoe chemicaliën met metalen interageren. Ten slotte kan het moleculen op die oppervlakken plaatsen op precieze locaties. Ten slotte kan het twee verschillende materialen combineren om te zien hoe ze in elkaar passen, een proces dat bekend staat als het creëren van een heterostructuur. In elk geval doet de tool het zware werk van de geometrie, waarbij wordt gegarandeerd dat de atomen correct op afstand staan en de symmetrie behouden blijft.

Om te bewijzen dat het systeem werkt, liepen de onderzoekers een volledige voorbeeldprocedure door voor het bouwen van een model van koolmonoxide geadsorbeerd op een platina-oppervlak. Het proces begon met de AI die MASON vroeg de basisstructuur van bulkplatina te lezen en de vorm ervan te verifiëren. Vervolgens instrueerde de AI MASON om een dunne plak van dit materiaal te snijden, specifiek een laag van vier atomen dik, en de onderste twee lagen op hun plaats te houden om een massief blok na te bootsen. Het systeem breidde dit plakje uit om een groter oppervlak te creëren en identificeerde de specifieke plekken waar een koolmonoxidemolecuul zich zou kunnen hechten. Ten slotte gaf de AI de instructie aan MASON om het molecuul exact twee angström boven een specifieke holte op het oppervlak te plaatsen. Gedurende deze hele sequentie, die meer dan tien aparte tool-aanroepen omvatte, ontving de AI constante updates over de afmetingen en de rangschikking van de atomen. Het eindresultaat was een compleet, driedimensionaal model dat aan elke geometrische controle voldeed en klaar was om door een supercomputer te worden gebruikt voor een simulatie.

De onderzoekers testten het systeem ook op een breed scala aan andere uitdagingen om de betrouwbaarheid ervan te garanderen. Ze bouwden succesvol modellen van grafeen-nanoribbons, gedraaide lagen koolstofatomen en complexe interfaces tussen siliciumcarbide en silicium. In elk geval gebruikte de AI het verzoek in natuurlijke taal om de constructie te leiden, en MASON leverde de precieze uitvoering. Bijvoorbeeld, wanneer gevraagd werd om een model van een siliciumkristal met een ontbrekend atoom te bouwen, identificeerde het systeem correct hoe de symmetrie van het kristal veranderde en rapporteerde het de nieuwe rangschikking van de resterende atomen. Wanneer gevraagd werd om twee verschillende materialen te combineren, berekende het systeem de beste manier om hun atomaire roosters uit te lijnen om spanning te minimaliseren, en presenteerde de opties aan de AI voor selectie. In alle achttien geteste voorbeelden waren de door de AI gebouwde structuren wiskundig consistent en geometrisch solide, overeenkomend met de resultaten van handmatige berekeningen.

Dit werk vormt een belangrijke stap naar het autonomer maken van wetenschappelijk onderzoek. Door AI-agents uit te rusten met betrouwbare, gespecialiseerde tools, hebben de onderzoekers de noodzaak weggenomen voor de AI om haar eigen code te schrijven voor basisstructuur-taken. Dit vermindert de kans op fouten en stelt de AI in staat zich te concentreren op de wetenschappelijke redenering in plaats van op de mechanische details van de constructie. Het systeem is open-source, wat betekent dat andere wetenschappers het kunnen gebruiken om hun eigen modellen te bouwen, en het is ontworpen om te werken met elk AI-framework dat het Model Context Protocol ondersteunt. Het uiteindelijke doel is niet alleen om modellen sneller te bouwen, maar om een workflow te creëren waarbij een onderzoeker een wetenschappelijke vraag in gewone taal kan stellen, en de AI het hele proces kan afhandelen, van de initiële atomaire rangschikking tot de uiteindelijke data-analyse. Hoewel de huidige versie zich richt op het bouwen van structuren, zou dezelfde aanpak uiteindelijk toegepast kunnen worden op het draaien van de simulaties en het analyseren van de resultaten, waarmee het veld dichter bij een toekomst komt waarin wetenschappers de doelen definiëren en de machines de uitvoering verzorgen.