Topology-aware AI for porous materials: from structural representation to counterfactual testing and inverse design

Poreuze materialen zijn de onbezongen helden van de moderne technologie; ze fungeren als microscopische sponsen die alles van waterfilters voor schoon water tot efficiënte batterijen werkend maken. Deze stoffen worden niet alleen gedefinieerd door waar ze van gemaakt zijn, maar ook door de lege ruimtes binnenin hen. Stel je een rots voor die grotendeels uit gaten bestaat; de grootte van die gaten doet er toe, maar dat geldt ook voor de manier waarop ze met elkaar verbonden zijn. Zijn ze als een rechte gang, een doolhof vol kronkels, of een reeks doodlopende kamers? Decennialang hebben wetenschappers die proberen betere materialen te ontwerpen vertrouwd op eenvoudige getallen om deze ruimtes te beschrijven, zoals de totale hoeveelheid lege ruimte of de gemiddelde grootte van de gaten. Deze getallen zijn gemakkelijk te meten en gemakkelijk te gebruiken in computerprogramma's, maar ze vertellen slechts de helft van het verhaal. Twee materialen kunnen exact dezelfde hoeveelheid lege ruimte en dezelfde gemiddelde gatgrootte hebben, maar toch totaal verschillend reageren omdat het ene een verbonden netwerk van paden heeft en het andere vol zit met geïsoleerde zakjes waar moleculen in vast komen te zitten.

Deze kloof tussen eenvoudige getallen en de complexe realiteit van hoe zaken door een materiaal bewegen, vormt de kern van een nieuw perspectief door Henry R. N. B. Enninful, een onderzoeker aan de Universiteit van Leipzig. Het artikel betoogt dat het vakgebied van kunstmatige intelligentie, dat een krachtig instrument is geworden voor het ontdekken van nieuwe materialen, tegen een muur is aangelopen. Hoewel computers steeds beter worden in het voorspellen van hoe een materiaal zal presteren, slagen ze er vaak in door eenvoudige patronen te onthouden in plaats van de verborgen architectuur van de poriën werkelijk te begrijpen. De auteur suggereert dat we een nieuwe manier nodig hebben om deze computermodellen te testen om te waarborgen dat ze daadwerkelijk hebben geleerd hoe de interne paden verbonden zijn, in plaats van dat ze simpelweg gokken op basis van oppervlakkige statistieken. De voorgestelde oplossing is een rigoureuze stresstest met behulp van wat "contrafactuele topologische tweelingen" worden genoemd.

Het kernidee achter deze tweelingen is het creëren van paren materialen die identiek lijken voor een standaard computerprogramma, maar geheimhouding bewaren over hun interne bedrading. In een praktische setting zou dit kunnen betekenen dat men twee monsters neemt die hetzelfde oppervlaktegebied, hetzelfde porievolume en dezelfde chemische samenstelling hebben, maar waarbij het ene monster een hoogst verbonden netwerk van kanalen heeft en het andere veel doodlopende wegen. Een computermodel dat slechts heeft geleerd om op eenvoudige getallen te vertrouwen, zou deze twee monsters als hetzelfde zien en voorspellen dat ze identiek zullen reageren. Een model dat echter werkelijk heeft geleerd over connectiviteit, zou in staat moeten zijn het verschil te zien en te voorspellen dat het materiaal met de verbonden paden vloeistoffen of gassen veel sneller doorlaat. Door te testen of een kunstmatige intelligentie tussen deze bijna identieke tweelingen onderscheid kan maken, kunnen onderzoekers eindelijk zien of de computer de structurele regels heeft geleerd die het transport beheersen, of dat hij slechts gelukkige gokken doet op basis van bekende getallen.

Het artikel onderzoekt het huidige landschap van hoe wetenschappers deze materialen aan computers representeren. Het merkt op dat we, hoewel we zijn overgestapt van eenvoudige lijsten met getallen naar complexere methoden zoals 3D-beeldvorming en topologische analyse — die de vorm van de holtes in kaart brengen als een landschap van heuvels en dalen — nog steeds geen garantie bieden dat de methode alleen al het begrip van de fysica van beweging garandeert. De auteur wijst erop dat veel huidige studies een correlatie laten zien tussen de structuur van een materiaal en de prestaties, maar correlatie is geen bewijs van begrip. Een model kan een resultaat accuraat voorspellen simpelweg omdat het heeft geleerd een specifiek type chemische samenstelling te herkennen, zonder ooit te begrijpen hoe de poriën met elkaar verbonden zijn. Om dit op te lossen, stelt het artikel een nieuwe standaard voor validatie voor die verder gaat dan willekeurige testen. In plaats van alleen te controleren of een model het juiste antwoord geeft op een standaard dataset, zouden wetenschappers het model moeten uitdagen met deze tweelingparen, waarbij de enige variabele die verandert de connectiviteit van de poriën is.

Deze aanpak vereist een verschuiving in de manier waarop gegevens worden verzameld en gedeeld. De auteur suggereert dat toekomstige studies niet alleen een enkele set getallen voor een materiaal moeten rapporteren, maar ook de ruwe beelden of 3D-modellen moeten bevatten die werden gebruikt om ze te bouwen, samen met alternatieve manieren waarop die beelden geïnterpreteerd kunnen worden. Dit is cruciaal omdat de manier waarop een wetenschapper een kaart van de poriën tekent vanuit een microscoopbeeld, het resulterende netwerk kan veranderen. Door deze verschillende mogelijkheden bij te houden en modellen hiertegen te testen, kan het vakgebied bewegen naar een eerlijkere beoordeling van wat de kunstmatige intelligentie daadwerkelijk heeft geleerd. Het artikel benadrukt ook dat het doel van dit onderzoek niet alleen is om te voorspellen hoe een materiaal zal reageren, maar om uiteindelijk nieuwe materialen vanaf nul te ontwerpen. Als een computer erop kan vertrouwen de connectiviteit te begrijpen, zou hij een nieuwe structuur kunnen voorstellen die de perfecte balans heeft tussen open paden en doodlopende wegen voor een specifieke taak, zoals het filteren van een specifieke vervuiler of het efficiënter opslaan van energie.

De weg vooruit, volgens dit perspectief, omvat een gesloten cirkel van ontdekking. Wetenschappers zouden meerdere soorten metingen gebruiken om een beeld van de structuur van een materiaal op te bouwen, en vervolgens deze tweelingtesten gebruiken om te verifiëren of hun computermodellen gevoelig zijn voor de juiste kenmerken. Als een model de tweelingtest faalt, onthult dit dat het model iets belangrijks mist over hoe het materiaal werkt. Dit falen is waardevol omdat het onderzoekers precies vertelt waar ze het eerst moeten zoeken, of dat nu ligt in de manier waarop ze het materiaal meten of in de manier waarop ze de computer onderwijzen. Het uiteindelijke doel is om de onzichtbare architectuur van poreuze materialen te veranderen in een ontwerpbare variabele, waardoor ingenieurs materialen kunnen bouwen met specifieke interne netwerken in plaats van te hopen dat ze deze bij toeval tegenkomen.

Hoewel het artikel niet beweert dat deze methode het probleem van materiaalkundig ontwerp al heeft opgelost, biedt het een duidelijke routekaart om daar te komen. Het suggereert dat de volgende generatie kunstmatige intelligentie in de materiaalkunde niet alleen moet worden gecontroleerd op haar vermogen om getallen te voorspellen, maar op haar vermogen om over structuur te redeneren. Door deze contrafactische tweelingen te gebruiken, kan de gemeenschap modellen onderscheiden die de fysica van poreuze ruimtes werkelijk begrijpen van die die slechts patronen herkennen. Dit onderscheid is essentieel voor de toekomst van technologieën die afhankelijk zijn van de beweging van moleculen door minuscule ruimtes, om ervoor te zorgen dat de materialen die we bouwen niet alleen theoretisch solide zijn, maar ook functioneel robuust in de echte wereld. Het werk dient als een oproep tot actie voor onderzoekers om striktere teststandaarden te hanteren, om te garanderen dat de kunstmatige intelligentie die de volgende golf van materiaalkundige ontdekkingen begeleidt, even betrouwbaar is als de wetenschap die zij beoogt te versnellen.