Out-of-Distribution Inverse Design of Elastic Networks with Differentiable Graph Neural Network Molecular Dynamics

Stel je een wereld voor waarin materialen niet ontworpen worden door middel van vallen en opstaan, maar door een computer te vragen de perfecte structuur te vinden voor een specifieke taak. Dit is de belofte van inverse design, een verschuiving in de manier waarop wetenschappers ontdekkingen benaderen. In plaats van een materiaal te bouwen en vervolgens te testen wat het doet, beginnen onderzoekers met een gewenste eigenschap—zoals een veer die breder wordt wanneer je erin knijpt—en werken ze achteruit om de atomaire rangschikking te vinden die dit creëert. Decennialang was dit proces traag en duur, afhankelijk van complexe natuurkundige simulaties die enorme rekenkracht vereisen. Onlangs hebben wetenschappers zich tot machine learning gewend om dit te versnellen, waarbij computers worden getraind om te voorspellen hoe materialen zich gedragen. Echter, deze digitale modellen hebben meestal moeite wanneer ze gevraagd wordt iets te bedenken dat ze nog niet eerder hebben gezien. Ze zijn uitstekend in het herkennen van patronen binnen hun trainingsdata, maar falen vaak wanneer ze in nieuw, onontgonnen terrein worden geduwd.

Een team van onderzoekers aan de Technion – Israel Institute of Technology heeft een nieuwe manier ontwikkeld om deze beperking te overwinnen. Ze creëerden een systeem dat een slimme, op leren gebaseerde simulator combineert met de onverzettelijke regels van de natuurkunde. Deze hybride aanpak stelt de computer in staat om materialen te ontwerpen met eigenschappen die ver buiten het bereik liggen van wat het oorspronkelijk heeft geleerd. Door hun methode te testen op gedesorganiseerde elastische netwerken—modellen van materialen bestaande uit onderling verbonden punten en veren—demonstreerden ze dat het systeem structuren kon uitvinden met gedragingen die volledig afwezig waren in hun trainingsdata. Het resultaat is een instrument dat niet alleen bekende materialen kan verfijnen, maar ook geheel nieuwe materialen kan ontdekken, waarmee problemen worden opgelend waar traditionele machine learning-modellen simpelweg niet tegenop kunnen.

De kern van dit nieuwe raamwerk is een graph neural network moleculaire dynamica simulator. Om te begrijpen hoe het werkt, kun je een materiaal zien als een web van kralen verbonden door veren. In een standaard simulatie berekent een computer hoe elke kraal beweegt op basis van de krachten die erop inwerken, stap voor stap. Dit is accuraat maar ongelooflijk traag. De onderzoekers hebben hun machine learning-model getraind om deze bewegingen veel sneller te voorspellen, door de onderliggende patronen van hoe de kralen met elkaar interageren te leren. Er bestaat echter een grote hindernis: machine learning-modellen moeten meestal de huidige snelheid en richting van de kralen weten om de volgende stap te voorspellen. In een echte scenario voor het ontwerpen van materialen begin je met een statisch beeld van een materiaal, niet een bewegend beeld. Het model is blind voor de beweging die het moet voorspellen.

Om dit op te lossen, introduceerden de onderzoekers een "bootstrap"-methode. Voordat de hoofdsimulatie begint, genereert een aangepaste, natuurkundige motor een zeer korte, initiële burst van beweging vanuit het statische startpunt. Dit biedt de noodzakelijke context—de snelheid en richting van de kralen—om het machine learning-model op gang te helpen. Zodra de simulatie draait, staat het systeem voor een andere uitdaging: om de voorspellingen fysiek realistisch te houden, vooral bij het ontwerpen van materialen die zich op manieren gedragen die het model nog nooit heeft gezien. Om dit aan te pakken, gebruikten ze een techniek genaamd inference-time physics-based optimization. Terwijl de simulatie loopt, controleert het systeem voortdurend zijn eigen voorspellingen tegen de fundamentele wetten van de natuurkunde, zoals behoud van energie en druk. Als het machine learning-model begint af te wijken naar een onmogelijke staat, corrigeert het systeem het pad voorzichtig, zodat het materiaal fysiek geldig blijft terwijl het toch nieuwe gedragingen verkent.

De onderzoekers testten dit raamwerk met behulp van gedesorganiseerde elastische netwerken, wat in essentie willekeurige webben van veren en knooppunten zijn. Ze trainden hun simulator uitsluitend op netwerken die zich op een standaard manier gedragen: wanneer ze worden samengedrukt, worden ze dunner, net als de meeste alledaagse materialen. Deze trainingsnetwerken hadden een specifieke eigenschap genaamd de Poisson-ratio, een maatstaf voor hoeveel een materiaal zijdelings krimpt wanneer het wordt uitgerekt of zijdelings uitzet wanneer het wordt samengedrukt, welke tussen de 0,1 en 0,4 lag. Het doel was om te zien of het systeem een netwerk kon ontwerpen dat precies het tegenovergestelde deed: een materiaal dat breder wordt wanneer het wordt samengedrukt. Dit staat bekend als een auxetisch materiaal, en het is een zeldzame en waardevolle eigenschap in de techniek.

Ondanks dat het systeem tijdens de training nooit een auxetisch materiaal had gezien, ontwierp het succesvol netwerken met een Poisson-ratio zo laag als -0,3. Dit is een dramatische verschuiving ten opzichte van de trainingsdata, wat een materiaal vertegenwoordigt dat transversaal samentrekt in plaats van uit te zetten bij compressie. De onderzoekers bereikten dit door de posities van de knooppunten in het netwerk aan te passen of door de stijfheid van de veren die de knooppunten verbinden te variëren. In sommige gevallen combineerden ze beide strategieën, waardoor het systeem zelfs extremere oplossingen kon vinden, met ratio's zo laag als -0,35. Het systeem vond niet slechts één enkel voorbeeld; het produceerde deze resultaten consistent, wat bewijst dat de methode robuust en betrouwbaar is.

De kracht van deze aanpak strekt zich uit voorbij het simpelweg veranderen van een enkele waarde. De onderzoekers toonden aan dat het systeem ook specifieke lokale gedragingen binnen een groter materiaal kan ontwerpen. Ze vroegen de computer om een klein zakje binnen een standaard netwerk te creëren dat zich anders zou gedragen dan de rest. In één experiment ontwierpen ze een regio die fungeerde als een auxetische zak, die zijdelings kromp wanneer het hele netwerk werd samengedrukt, terwijl het omliggende materiaal normaal gedrag vertoonde. In een ander geval creëerden ze een zone waar spanning zich concentreerde, waardoor kracht effectief naar een specifiek gebied werd geleid zonder de algehele sterkte van het materiaal te veranderen. Deze gelokaliseerde defecten waren volledig afwezig in de trainingsdata, maar toch genereerde het systeem ze met precisie, wat een vermogen aantoont om het materiaal op een granulair niveau te manipuleren.

Een ander belangrijk bevinding was het vermogen van het systeem om verschillende groottes van materialen aan te kunnen. De simulator werd getraind op netwerken met minder dan 200 knooppunten, maar slaagde erin om netwerken met tot wel 5.000 knooppunten te optimaliseren. Deze schaalbaarheid is cruciaal voor real-world toepassingen, waarbij materialen zelden klein zijn. De onderzoekers toonden ook aan dat het systeem ook de volledige spanning-rekcurve van een materiaal kan hervormen, die beschrijft hoe het vervormt onder druk. Ze konden een materiaal nemen dat op een eenvoudige, lineaire manier reageerde en het herontwerpen om een complexe, niet-lineaire respons te hebben, waarmee de prestaties van het materiaal ver boven de grenzen van wat tijdens de training werd waargenomen, werden gepusht.

Het succes van dit raamwerk berust op de delicate balans tussen de snelheid van machine learning en de nauwkeurigheid van de natuurkunde. Door een korte, natuurkundige start te gebruiken om de simulatie te initialiseren en vervolgens het pad continu te verfijnen met fysieke beperkingen, vermijdt het systeem de veelvoorkomende valkuilen van pure machine learning. Het raadt niet alleen, het leert de regels van beweging en past deze vervolgens creatief toe. Dit stelt het systeem in staat om ontwerpruimtes te verkennen die voorheen ontoegankelijk waren, waarbij oplossingen worden gevonden die niet alleen nieuw zijn, maar ook fysiek realiseerbaar.

De implicaties van dit werk zijn aanzienlijk voor de toekomst van de materiaalkunde. Het suggereert dat we verder kunnen gaan dan alleen het screenen van bestaande materialen door actief nieuwe materialen te ontwerpen met specifieke eigenschappen. Het vermogen om materialen te genereren met gedragingen die volledig buiten het bereik van de trainingsdata liggen, opent de deur naar het ontdekken van oplossingen voor problemen die we nog niet eens volledig hebben gedefinieerd. Of het nu gaat om het creëren van schokabsorberende structuren die stijver worden onder impact of het ontwerpen van flexibele elektronica die hun integriteit behouden onder extreme vervorming, deze methode biedt een krachtig nieuw instrument. De onderzoekers hebben aangetoond dat door de voorspellende kracht van kunstmatige intelligentie te combineren met de grondende kracht van natuurkundige wetten, we de ontdekking van materialen in richtingen kunnen sturen die voorheen als onbereikbaar werden beschouwd.