Framework-Conditional Open Materials Generation

De zoektocht naar nieuwe materialen is een van de meest praktische en diepgaande ondernemingen in de wetenschap. Van de batterijen die onze telefoons voeden tot de halfgeleiders die onze computers aansturen: de fysieke wereld waarin wij leven, is gebouwd van specifieke arrangementen van atomen. Wetenschappers weten al lang dat de eigenschappen van een materiaal — of het nu elektriciteit geleidt, hitte weerstaat of energie opslaat — niet alleen worden bepaald door welke atomen aanwezig zijn, maar ook door hoe die atomen in een herhalend, driedimensionaal patroon bij elkaar zijn gepakt. Dit patroon wordt een kristalstructuur genoemd. Decennialang was het doel om te voorspellen welke nieuwe combinaties van atomen stabiele, nuttige kristallen zullen vormen voordat een chemicus ze ooit in een laboratorium mengt. De uitdaging is immens omdat het aantal mogelijke manieren om atomen te arrangeren vrijwel oneindig is, wat een willekeurige zoektocht naar nieuwe materialen doet lijken op het zoeken naar een specifiek zandkorreltje op een strand zonder kaart.

Onderzoekers aan New York University en NYU Langone Health hebben een nieuwe aanpak voor dit probleem geïntroduceerd, waarbij de focus is verschoven van het raden van de volledige arrangement van atomen naar het werken met het skelet van de structuur zelf. Hun werk, gepresenteerd in een studie getiteld "Framework-Conditional Open Materials Generation", stelt voor dat het, in plaats van te proberen een volledig nieuwe vorm vanaf nul uit te vinden, effectiever is om een bekende, stabiele geometrische structuur te nemen en te vragen: "Wat gebeurt er als we deze specifieke vorm vullen met verschillende soorten atomen?" Deze methode, die zij OMatG-FC noemen, behandelt de algemene vorm van de kristalcel als een vaste mal en gebruikt kunstmatige intelligentie om te bepalen welke chemische soorten de lege plekken binnen die vorm moeten bezetten. Door dit te doen, hebben de onderzoekers een systeem gecreëerd dat aanzienlijk beter is in het vinden van stabiele, unieke en nieuwe materialen dan eerdere methoden die probeerden zowel de vorm als de atomen gelijktijdig te genereren.

In de wereld van de materiaalkunde wordt een kristal gedefinieerd door zijn eenheidscel, een klein doosje dat zich steeds weer herhaalt om het gehele vaste lichaam te vormen. Dit doosje heeft een specifieke vorm, gedefinieerd door de lengtes van de zijden en de hoeken tussen hen, en het bevat atomen op specifieke fractionele posities binnen dat doosje. Traditioneel hebben computer modellen die nieuwe materialen proberen te ontdekken geprobeerd al deze details tegelijkertijd te voorspellen: de vorm van de doos, de posities van de atomen erin, en welke elementen die atomen zijn. Dit is een moeilijke taak omdat het model de complexe regels moet leren over hoe atomen bij elkaar pakken om te voorkomen dat ze instorten of elkaar afstoten. De auteurs van deze studie observeerden dat veel verschillende chemische materialen feitelijk exact dezelfde onderliggende geometrische structuur delen. Bijvoorbeeld, een kristal gemaakt van één type metaalatoom kan bijvoorbeeld dezelfde basisvorm en atomaire posities delen als een kristal gemaakt van twee verschillende soorten atomen, mits de atomen op een specifieke manier zijn gerangschikt. Het verschil ligt enkel in welke chemische soort op welke plek zit, een verandering die de symmetrie en eigenschappen van het materiaal kan wijzigen zonder de fundamentele geometrie te veranderen.

De onderzoekers realiseerden zich dat door de geometrische structuur vast te leggen — de vorm van de doos en de relatieve posities van de atomen — zij het probleem drastisch konden vereenvoudigen voor de kunstmatige intelligentie. In plaats van de computer te vragen de volledige structuur uit te vogelen, vroegen ze hem zich alleen te concentreren op twee dingen: welke chemische elementen in de vaste posities moeten gaan en hoe groot de doos moet zijn. Het team trainde hun model op een enorme database van bekende kristalstructuren, specifiek de MP-20 dataset, die meer dan 45.000 structuren bevat. Ze analyseerden deze data en vonden een opvallend patroon: een overweldigende meerderheid van de verschillende chemische materialen in de database deelde feitelijk dezelfde onderliggende structurele kaders. Sterker nog, toen ze nauwkeurig keken, ontdekten ze dat slechts ongeveer 10 procent van de kaders in de dataset werkelijk uniek waren, wat betekent dat hetzelfde geometrische skelet keer op keer werd hergebruikt met verschillende chemische decoraties. Deze redundantie suggereerde dat de natuur de meeste levensvatbare geometrische vormen al heeft verkend, en dat de sleutel tot ontdekking ligt in het vinden van de juiste chemische combinaties voor die bestaande vormen.

Om dit idee te testen, bouwde het team een generatief model dat opereert onder deze beperkingen. Het model neemt een bekend framework uit de database en houdt de vorm en de atomaire posities constant. Het gebruikt vervolgens een geavanceerd leerproces om de chemische identiteit van de atomen te voorspellen die deze posities moeten vullen en om het totale volume van de kristalcel aan te passen om stabiliteit te garanderen. Dit proces is verschillend van andere methoden die proberen volledig nieuwe structuren vanuit het niets te genereren of die slechts één atoom voor een ander in een vaste mal vervangen. Het nieuwe model is flexibeler omdat het geheel nieuwe manieren kan ontdekken om atomen binnen een bekend framework te arrangeren, waardoor het effectief nieuwe structurele prototypen creëert die nooit eerder zijn gezien, ook al was de onderliggende geometrie bekend.

De resultaten van hun experimenten werden gemeten tegen een rigoureuze set standaarden die bekend staat als de LeMat-GenBench, die evalueert of gegenereerde materialen geldig, uniek en stabiel zijn. De onderzoekers testten hun model op twee verschillende datasets, één met 45.000 structuren en een andere met meer dan 40.000. In beide gevallen presteerde het framework-conditionale model beter dan bestaande state-of-the-art methoden. Het produceerde een hoger percentage structuren die niet alleen chemisch valide maar ook stabiel waren, wat betekent dat ze niet uit elkaar zouden vallen of heftig zouden reageren. Specifiek bereikte het model een recordbrekend succespercentage voor het genereren van materialen die stabiel, uniek en nieuw waren. Wanneer de onderzoekers de structuren versoepelden met geavanceerde computersimulaties om te zien hoe ze zich in de echte wereld zouden gedragen, bleef het model een superieure prestatie leveren, waarbij het materialen met lagere energietoestanden vond dan zijn concurrenten. Dit geeft aan dat door het generatieproces te verankeren aan bekende geometrische kaders, het model naar oplossingen wordt geleid die fysiek realistisch en energetisch gunstig zijn.

Een van de meest overtuigende bevindingen was het vermogen van het model om geheel nieuwe prototypen te ontdekken. Een prototype is een specifieke classificatie van een kristalstructuur gebaseerd op de symmetrie en de arrangement van de atomen. De onderzoekers ontdekten dat hun model een stabiel materiaal kon genereren met een prototype dat niet bestond in de belangrijkste databases van bekende materialen. Ze identificeerden een specifieke verbinding, NdAlSiAu, die een structureel framework bezat dat gedeeld werd door andere materialen, maar gerangschikt op een manier die een nieuw, ongezien prototype creëerde. Dit demonstreert dat de methode niet louter oude ideeën recycleert, maar in staat is tot echte ontdekking. Het model navigeerde succesvol door de enorme ruimte van chemische mogelijkheden om een stabiele configuratie te vinden die menselijke wetenschappers en andere algoritmen hadden gemist, wat bewijst dat de strategie van conditionering op bekende kaders een krachtig instrument is voor exploratie.

De studie behandelde ook het vraagstuk van hoe data te splitsen voor training en testen, een cruciale stap om te waarborgen dat een model echt leert en niet simpelweg memoriseert. De onderzoekers creëerden een speciale versie van hun dataset waarbij de trainings- en testsets werden gescheiden op basis van structurele kaders in plaats van enkel op basis van willekeurige kansen. Dit betekende dat het model werd getest op kaders die het nog nooit had gezien, wat een real-world scenario simuleert waarbij een wetenschapper probeert nieuwe materialen te ontdekken in een compleet nieuw geometrisch gebied. Zelfs onder deze uitdagende omstandigheden presteerde het model goed, wat suggereert dat de principes van stabiliteit en symmetrie die het uit de trainingsdata heeft geleerd, robuust genoeg waren om toe te passen op nieuwe, ongeziene geometrieën. Dit niveau van generalisatie is cruciaal voor de praktische toepassing van dergelijke instrumenten bij de ontdekking van de volgende generatie materialen.

De implicaties van dit werk reiken verder dan het directe succes van het algoritme. Door aan te tonen dat het geometrische framework een krachtigere gids voor ontdekking is dan de specifieke chemische samenstelling, biedt de studie een nieuw paradigma voor hoe wetenschappers materiaalontwerp benaderen. Het suggereert dat de zoektocht naar nieuwe materialen geen blinde jacht door een oneindige leegte van mogelijkheden hoeft te zijn. In plaats daarvan kan het een gerichte exploratie zijn van bekende geometrische landschappen, waarbij gezocht wordt naar de chemische combinaties die die landschappen stabiel en nuttig maken. De onderzoekers erkennen dat hoewel hun huidige werk beperkt is tot kaders die in bestaande databases worden gevonden, de methode theoretisch toepasbaar is op elk theoretisch puntpatroon, wat de deur opent naar het verkennen van hypothetische structuren die nog nooit in de natuur zijn waargenomen.

Uiteindelijk vertegenwoordigt het werk een verschuiving in perspectief. In plaats van het genereren van nieuwe materialen te beschouwen als een probleem van het creëren van iets volledig uit het niets, hebben de onderzoekers aangetoond dat het vaak vruchtbaarder is om te kijken naar wat er al bestaat en te vragen hoe het opnieuw kan worden bedacht. Het model vertrouwt niet op magie of gokwerk; het vertrouwt op de statistische realiteit dat de natuur bepaalde geometrische arrangementen bevoordeelt. Door deze realiteit te benutten, hebben de onderzoekers een instrument gebouwd dat efficiënter, nauwkeuriger en beter in staat is om de stabiele, unieke materialen te vinden die de samenleving nodig heeft. De studie concludeert dat deze framework-conditionale aanpak een state-of-the-art methode is voor materiaalkundige ontdekking, die er erin slaagt de behoefte aan nieuwheid te balanceren met de fysieke beperkingen van stabiliteit, en daarmee een duidelijk pad biedt voor de volgende generatie materiaalkundigen.