Agentic inverse design of spatially programmed materials

Materiaalwetenschappers beschouwen de interne structuur van een vaste stof al lang als een vaststaand landschap, bepaald door de chemische ingrediënten die gemengd zijn en de hitte of druk die tijdens de creatie is toegepast. Hoewel ze de eigenschappen van een materiaal kunnen afstemmen door de samenstelling te veranderen of externe krachten zoals magnetische velden toe te passen, hebben ze er moeite mee om een specifiek, op maat gemaakt patroon direct in het binnenste van het materiaal te schrijven. Stel je voor dat je een uniek ontwerp in een blok steen probeert te kerven zonder het oppervlak te breken; decennialang was dit bijna onmogelijk omdat de instrumenten om materie van binnenuit vorm te geven bot en onnauwkeurig waren. Het doel van "ruimtelijk geprogrammeerde materialen" is om dit te overwinnen door atomen of defecten in een doelbewust, driedimensionaal patroon te rangschikken, waardoor de diepte van een materiaal een ontwerpvariabele wordt, net als de kleur of hardheid. Deze aanpak belooft nieuwe fysieke gedragingen te ontsluiten, zoals het geleiden van licht of elektriciteit op manieren die uniforme materialen niet kunnen, maar de weg naar het creëren van deze structuren werd geblokkeerd door een moeilijk probleem: uitzoeken hoe je ze precies moet bouwen.

De uitdaging ligt in de kloof tussen een gewenst ontwerp en de fysieke stappen die nodig zijn om dat te bereiken. Om een specifiek intern patroon te creëren, moet een onderzoeker een reeks acties kiezen, zoals het afvuren van ionenbundels op een doelwit, maar het voorspellen van het resultaat van die acties is complex. Traditioneel zou een menselijke expert moeten raden naar de juiste combinatie van bundelenergie, hoek en duur, een computersimulatie moeten draaien om het resultaat te zien, en vervolgens opnieuw moeten raden als de uitkomst fout was. Deze trial-and-error-lus is traag en leunt zwaar op menselijke intuïtie. In een nieuwe studie hebben onderzoekers aan het Massachusetts Institute of Technology aangetoond dat een kunstmatige intelligentie-agent deze lus zelfstandig kan sluiten. Door een groot taalmodel te verbinden met een natuurkundige simulator, hebben ze een systeem gecreëerd dat naar een gewenst intern patroon kan kijken en automatisch de exacte sequentie van stappen kan uitwerken die nodig zijn om het te bouwen, zonder dat een mens elke stap hoeft te begeleiden.

De onderzoekers testten dit systeem met behulp van ionenimplantatie, een techniek waarbij bundels geladen atomen in een materiaal worden geschoten om de eigenschappen ervan te veranderen. Ze gaven de AI-agent een simpel doel: creëer een specifiek diepteprofiel van ionen of lege ruimtes binnen een vaste stof. In één experiment tekenden de onderzoekers met de hand een ruwe schets van een gewenst patroon—een vorm die opsteeg naar een plateau, een stap maakte en vervolgens weer afvlakte. Ze overhandigden deze schets aan de agent. De agent vertaalde de tekening eerst naar een digitaal doelwit en begon vervolgens met plannen. Het selecteerde een type ion, in dit geval bismuth, en een doelmateriaal, silicium. Vervolgens draaide het een natuurkundige simulatie om te zien hoe ionen met verschillende energieën door het silicium zouden reizen. De agent realiseerde zich dat een enkele bundelenergie slechts een kleine, gelokaliseerde bult in het patroon zou creëren. Om de gehele vorm in te vullen, moest het veel verschillende bundelenergieën combineren.

De agent begon te itereren. Het koos een reeks energieën, draaide de simulatie en vergeleek het resultaat met de doel-schets. Waar de simulatie tekortschoot, voegde de agent nieuwe energieën toe of paste het de bestaande aan. Dit deed de agent herhaaldelijk, waarbij het plan werd verfijnd totdat het gesimuleerdeerde patroon met hoge precisie overeenkwam met de handgetekende doelstelling. Uiteindelijk bepaalde de agent dat het ionen moest afvuren op 28 verschillende energieniveaus, variërend van 2,0 tot 195,8 miljoen elektronvolt, om de vorm te recreëren. Het uiteindelijke resultaat was een match die minder dan 8 procent afweek, een nauwkeurigheidsniveau dat een menselijke expert vele uren aan handmatige berekeningen en aanpassingen zou hebben gekost om te bereiken.

Het systeem bleek even capabel bij complexere ontwerpen. De onderzoekers vroegen de agent om een "superrooster" te creëren, een patroon van herhalende pieken en dalen, en een "Fibonacci-superrooster", een patroon dat een wiskundige reeks volgt waarbij de afstand tussen de pieken op een specifieke, niet-herhalende manier verandert. Voor het herhalende patroon slaagde de agent erin om vijf pieken precies 5 micrometer uit elkaar te plaatsen. Voor het Fibonacci-patroon rangschikte het de pieken volgens de juiste wiskundige verhouding, waarbij de unieke orde behouden bleef zelfs naarmate het patroon dieper in het materiaal doordrong. De agent pakte ook een ander soort uitdaging aan: het creëren van een specifiek patroon van schade, of vacatures, in plaats van alleen ionen toe te voegen. Het ontwierp succesvol een recept om een gradiënt van lege ruimtes te creëren over een grens tussen twee verschillende materialen, silicium en germanium, wat bewees dat het niet alleen kon controleren waar ionen landen, maar ook de schade die ze achterlaten.

Een van de meest praktische tests betrof de real-world beperkingen van laboratoriumapparatuur. In een echte versneller is er een maximale energiegrens; de machine kan ionen niet sneller afvuren dan een bepaalde snelheid. De onderzoekers vroegen de agent om een patroon te ontwerpen dat dieper reikt dan deze limiet toestaat. In plaats van te falen of de beperking te negeren, paste de agent zich aan. Het realiseerde zich dat het de diepste delen van het doelwit niet kon bereiken, dus concentreerde het zich op het gedeelte dat wel bereikbaar was. Vervolgens zette het de lijst met discrete energestappen om in een enkele, vloeiende helling van veranderende energie, een plan dat een menselijke operator kon volgen om de bundel continu van lage naar hoge energie te laten vegen. Dit toonde aan dat de agent niet alleen abstracte puzzels kon oplossen, maar ook praktische, uitvoerbare instructies kon genereren voor echte machines.

De onderzoekers testten het systeem ook tot de absolute grenzen door het te vragen de letters "MIT" in de diepte van een materiaal te schrijven. De agent moest uitzoeken hoe de ionen zo te rangschikken dat, wanneer men vanaf de zijkant kijkt, de concentratie van atomen de vorm van de letters vormt. Het slaagde erin de "M" en de "I" duidelijk te schrijven, maar de "T" bleef wazig. Dit falen was geen fout van de agent, maar een fundamentele limiet van de fysica: de ionen verspreiden zich lichtjes terwijl ze reizen, een fenomeen dat bekend staat als 'straggling', wat scherpe randen op bepaalde dieptes vervaagt. De agent respecteerde deze fysieke realiteit, wat aantoonde dat het de natuurwetten begrijpt die het probeert te manipuleren.

Dit werk markeert een verschuiving in hoe materialen worden ontworpen. In plaats van dat een mens raadt welke stappen nodig zijn om een structuur te bouwen, fungeert de AI-agent als een brug die een visueel of wiskundig idee direct vertaalt naar een fysiek recept. Het systeem verzint geen nieuwe fysica; het gebruikt gevestigde simulatietools om de enorme ruimte van mogelijke combinaties veel sneller te verkennen dan een mens zou kunnen. Door het proces van invers ontwerp te automatiseren, hebben de onderzoekers aangetoond dat de ruimtelijke structuur van een materiaal een programmeerbare variabele kan worden. Dit opent de deur naar het creëren van materialen met op maat gemaakte interne architecturen, wat potentieel kan leiden tot nieuwe soorten elektronische apparaten, stralingsbestendige componenten of kwantummaterialen met eigenschappen die nog nooit eerder zijn gezien. Het vermogen van de agent om complexe, meerstaps-taken uit te voeren met minimale menselijke input suggereert een toekomst waarin het ontwerp van materie alleen beperkt wordt door de verbeelding van de ontwerper en de wetten van de fysica, en niet door de moeilijkheid van de berekening.