Shop menü

MIRE JÓK AZ MI ÁLTAL „KIFEJLESZTETT” ANYAGOK?

A mesterséges intelligenciák több millió új anyagot álmodtak meg az elmúlt időszakban. De vajon mire lehetnek jók ezek?
Jools _
Jools _
Mire jók az MI által „kifejlesztett” anyagok?

Amikor az MI-fejlesztés egyik úttörője, a Google DeepMind vezetői két évvel ezelőtt bejelentették, hogy mélytanulási MI-technikával 2,2 millió új kristályos anyagot fedeztek fel, úgy tűnt, hogy ez egy izgalmas új korszak kezdete lehet az anyagkutatásban. A periódusos rendszer elemei alapján 52 ezer szimulációt végeztek többek közt olyan réteges vegyületekkel, amelyek hasonlóak a rendkívül kedvező tulajdonságokkal rendelkező grafénhoz, 528 potenciális lítium-ion vezetővel, amelyek felhasználhatók lehetnek az akkumulátorok fejlesztésében, és még sok mással is.

De a kezdeményezés – a Microsoft és a Meta cégek általi hasonló kezdeményezésekkel együtt – rövidesen heves kritikát váltott ki a kutatók körében, akik szerint

az MI-rendszerek által kiötlött vegyületek egy része nem is eredeti, míg másokat képtelenség előállítani vagy egyszerűen nem alkalmas semmire.

„Rengeteg nevetséges dolgot találtunk” – mondja Anthony Cheetham, a Kaliforniai Egyetem anyagkutatója, miután átnézte a DeepMind hipotetikus kristályainak listáját. Ő és kollégája, Ram Seshadri szerint a projekt által előre jelzett több mint 18 ezer vegyület közül sok például rendkívül ritka radioaktív elemeket tartalmaz, amelyekről kételkednek, hogy valaha is hasznosak lehetnek. „Egy dolog egy vegyület felfedezése, és teljesen más dolog egy új funkcionális anyag felfedezése” – mondja Cheetham.

A Meta bevonásával végzett munka több mint 100 olyan anyagot eredményezett, amelyek közvetlenül a levegőből képesek megkötni a szén-dioxidot, és így hozzájárulhatnak a globális felmelegedés mérsékléséhez. Ezek az eredmények azonban hasonló kritikákat váltottak ki. Berend Smit, a Lausanne-i Svájci Szövetségi Műszaki Egyetem (EPFL) számítógépes kémikusa szerint az anyagjelöltek egyszerűen nem alkalmasak az állítólagos célra. Úgy véli, hogy a munka során használt mesterséges intelligencián alapuló módszer annyira izgalmasnak tűnt, hogy a szerzők „kissé elszakadtak a valóságtól”.

Galéria megnyitása

Tehát a mesterséges intelligencia valóban forradalmasítja az anyagok felfedezését, vagy az egész nem több egy túltolt kampánynál? Az első kritikák óta az anyagkutatók részletesebben is megvizsgálták az eredményeket, hogy felmérjék az MI valódi potenciálját. És az eredeti eredmények mögött álló szakértők is reagáltak, egyes esetekben mérsékelve az eredeti, grandiózus állításokat, vagy megoldásokat javasolva.

A legtöbb kutató jelenleg arra hajlik, hogy az MI nagy ígéretet jelent az anyagtudományban, de a teljes potenciál kiaknázásához elengedhetetlen az együttműködés a kísérleti kémikusokkal – és nem árt némi alázatosság a rendszerek jelenlegi korlátai kapcsán sem.

Kristálygömbök

A bronzkortól a rozsdamentes acél feltalálásáig az anyagok felfedezése az emberiség története során mindig is az innováció motorja volt. Az elmúlt évtizedben az MI használata az anyagtudományban felgyorsult. Az ilyen kezdeményezések közül sok a szervetlen kristályos anyagokra összpontosít, ezek a kémiai vegyületek egy fontos alcsoportját képezik, és számtalan technológia, köztük a félvezetők és a lézerek alapvető összetevői.

A szervetlen kristályos anyagok tulajdonságait nemcsak az általuk tartalmazott atomok határozzák meg, hanem az is, hogy ezek az atomok hogyan vannak elrendezve ismétlődő mintákban. Tehát amikor a kutatók új szervetlen kristályok előállítását tervezik, nem csak új atomkombinációkat találnak ki, hanem azt is megpróbálják megjósolni, hogy ezek az atomok milyen szerkezetet vehetnek fel.

Az MI megjelenése előtt ehhez hagyományosabb számítási módszereket használtak. Az egyik leghatékonyabb módszer a sűrűségfunkcionál-elmélet (DFT), ez bonyolult matematikai modelleken alapul, amelyek leírják az elektronok viselkedését az anyagokban. Egy hipotetikus szervetlen vegyület esetében ez feltárhatja, melyik szerkezet a legstabilabb – és ezért a legvalószínűbb –, valamint a vegyület tulajdonságait is.

Galéria megnyitása

A kutatók a DFT segítségével olyan új anyagokat jósoltak meg, amelyek látványos tulajdonságokkal rendelkeznek, és amelyeket később laboratóriumban is előállítottak – ide tartoznak szupererős mágnesek és „szupravezetők” is, amelyek ellenállás nélkül továbbítják az elektromosságot, de a legtöbb szupravezető anyaggal ellentétben nem igényelnek rendkívül alacsony hőmérsékletet. A Lawrence Berkeley Nemzeti Laboratórium (LBNL) Material Project kezdeményezése egy nyílt hozzáférésű adatbázisban rögzíti a DFT-vel számított szerkezeteket körülbelül 200 ezer kristályra vonatkozóan.

A DFT azonban nagy számítási kapacitást igényel. A legtöbb akadémiai laboratórium elegendő számítási kapacitással rendelkezik ahhoz, hogy DFT-számításokat futtasson néhány vegyületre, de egyszerre több millió anyag vizsgálata megvalósíthatatlanul drága lenne.

És itt jönnek be a képbe a nagy horderejű MI-kezdeményezések. A DeepMind esetében a londoni cég nem kizárólag az intenzív DFT-számításokra támaszkodott, hanem egy gépi tanulási algoritmust táplált be a már rögzített számítások eredményeivel, például a Materials Project adatbázisából. Az algoritmus, amelyet a csapat anyagkutatási gráfhálózatoknak (GNoME) nevezett el, ezekből a példákból megtanulta, hogyan lehet előre jelezni a véletlenszerűen generált kristályszerkezetek stabilitását, és ezt sokkal gyorsabban tette, mint a hagyományos DFT. A rendszer ezután a DFT segítségével ellenőrizte a legígéretesebb előrejelzéseket, és az eredményeket visszavezette a GNoME-ba, hogy javítsa annak teljesítményét.

Ez végül lehetővé tette a GNoME számára, hogy kidolgozzon egy hatalmas vegyületgyűjteményt, amely várhatóan stabil lesz.

Egy másik, a DeepMind kutatóit is felvonultató kezdeményezésben az MI-t anyagok szintéziséhez is felhasználták. Kristin Persson, az LBNL munkatársa, és a Materials Project vezetője társszerzője volt annak a cikknek, amelyet a GNoMe eredményeivel együtt tettek közzé, és amelyben leírták a robotikus „A-Lab” működését. A rendszerbe több tízezer publikált cikket töltek be, amelyek leírták, hogyan lehet különböző szervetlen vegyületeket előállítani. A rendszer megtanulta, hogyan lehet receptet kidolgozni olyan célvegyületek szintéziséhez, amelyeket még nem állítottak elő, de amelyek szerkezetét a DFT előre jelezte, és a Materials Project rögzítette. Az A-Lab ezután fizikai robotokat vetett be az összetevők előállítására és a termékek elemzésére, hogy ellenőrizze, megfelelnek-e a céloknak, és szükség esetén módosította a recepteket.

Galéria megnyitása

Röviddel azután, hogy a GNoME és az A-Lab kutatói publikálták cikkeiket, a Microsoft is bemutatta saját MI-eszközét az anyagok felfedezésére. A GNoME-hoz hasonlóan a MatterGen is egy gépi tanulási modell, amelyet stabil kristályszerkezetek generálására tanítottak be.

A MatterGen azonban célzottabb, mint a GNoME: képes olyan hipotetikus anyagokat javasolni, amelyek specifikus tulajdonságokkal rendelkeznek.

„Közvetlenül előállíthatók azok a kristályok, amelyek megfelelnek a tervezési kritériumoknak” – mondja Tian Xie, a Cambridge-ben található Microsoft Research AI for Science kutatója, aki a projektet vezette. „Ez sokkal hatékonyabb, mint több millió jelöltet létrehozni.”

A Meta részvételével zajló projekt még célzottabb. A cég Fundamental AI Research csapata a Georgia Institute of Technology kutatóival együttműködve olyan porózus anyagokat azonosított, amelyek hatékonyan képesek közvetlenül a levegőből megkötni a CO2-t. A kutatók DFT-t használtak több mint 8000 kísérletileg jelentett MOF CO2-höz való kötődési képességének kiszámításához. Ezután ezeket az eredményeket felhasználva egy MI-modellt tanítottak be ugyanarra a feladatra, és bebizonyították, hogy az hasonló pontosságot nyújt, és sokkal gyorsabb, mint a DFT. Egy 2024 májusában megjelent cikkben a kutatók előre jeleztek több mint 100 olyan MOF-ot, amely olyan régiókat tartalmaz, amelyek erősen kötődnek a CO2-höz, ezzel bizonyítva, hogy az MI-eszközök felgyorsíthatják a MOF-ok fejlesztését.

Káosz a köbön

Mindezek a kísérletek azonban heves vitákat váltottak ki. Amikor Robert Palgrave, a University College London szilárdtest-kémikusa megvizsgálta az A-Lab eredményeit, gyorsan arra a következtetésre jutott, hogy a projekt tévesen jellemezte a 41 szervetlen vegyület némelyikét, amelyeket állítólag eredményezett, és egyes esetekben egyszerűen korábban már előállított anyagokat szintetizált. Palgrave azóta Leslie Schoop (Princeton Egyetem) és mások segítségével részletesebb kritikát fogalmazott meg az A-Lab munkájáról, amelyben bemutatják az anyagok jellemzésének hiányosságait, és arra a következtetésre jutnak, hogy az A-Lab tanulmányában nincsenek is új anyagok.

Emellett egy még alapvetőbb problémát is azonosítottak, amely a DFT-technika korlátaiból fakad, amely az A-Lab számára a célszerkezeteket biztosította. Ahogy Palgrave mondja, a DFT-módszer általában rendkívül rendezett kristályszerkezeteket jósol, amelyek csak akkor lehetnek stabilak, ha a hőmérséklet az abszolút nulla fok (–273 °C) határáig csökken. A valóságban azonban a kristályos anyagokban az atomok elrendezése gyakran sokkal rendezetlenebb. Bár az A-Lab által előállított rendezett DFT-szerkezetek közül sok újnak tűnt, valójában már korábban is előállították ezeket rendezetlen szerkezetként – és végül az A-Lab is ezeket a már ismert, rendezetlen formákat állította elő, hangsúlyozza Palgrave.

Galéria megnyitása

Gerbrand Ceder (LBNL, Kaliforniai Egyetem), az A-Lab egyik vezetője azonbabn nem ért egyet ezzel. Szerinte a kutatók részletes újraelemzése kimutatta, hogy az A-Lab jellemzései megbízhatóak voltak. „Az A-Lab valóban elkészítette azokat a vegyületeket, amelyekről azt állította, hogy elkészítette, és ezekről nem rendelkezett szintézisinformációkkal” – mondja. „A jósolt rendezett vegyületek rendezetlen változatainak előállítása általában sikernek minősül, és ez a sztenderd az elméleti jóslatok és a kísérletek összehasonlításában” – teszi hozzá.

A rendezetlenség kérdése az MI-alapú DFT-helyettesítőket is érinti, például a GNoME-ot, mondja Johannes Margraf, a Bayreuth Egyetem számítógépes kémikusa. Kollégáival együtt egy gépi tanulási rendszert tanítottak be kristályszerkezetekre, amelyeket kísérleti mérésekkel, nem pedig DFT-vel határoztak meg. A modell megtanulta előre jelezni, hogy egy vegyület valószínűleg rendezetlen lesz-e, ha hasonló elemek cserélnek helyet a kristályban. Ez arra utalt, hogy a DeepMind csapata által ígéretes célpontként kiemelt mintegy 380 ezer stabil vegyület – amelyek mindegyike látszólag rendezett kristályszerkezettel rendelkezik – 80–84%-a rendezetlen lenne a valóságban.

Ez az eredmény arra utal, hogy a GNoME számos javaslata valószínűleg nem valósulhat meg a laboratóriumban, legalábbis rendezett formában nem, és így a tulajdonságai is eltérhetnek a jósoltaktól.

A DFT-adatokon kiképzett MI-modellek ráadásul elmulaszthatnak olyan potenciálisan hasznos tulajdonságokat is, amelyek a szerkezet rendezetlenségéből adódnak, és amelyeket a modellek nem vesznek figyelembe, mondja Margraf. „Ha figyelmen kívül hagyjuk a rendezetlenséget, akkor álnegatív és álpozitív eredményeket is kaphatunk” – mondja. „Ez nem csak egy jelentéltelen részlet.”

Ekin Dogus Cubuk anyagkutató, a GNoME-projekt egyik egykori vezetője egyetért azzal, hogy a GNoME által előre jelzett rendezett struktúrák közül sok valószínűleg rendezetlennek bizonyul majd. Szerinte a módszer fő célja, hogy utat mutasson a további vizsgálatot igénylő ígéretes vegyületek felé. „Nem úgy működik, hogy valaki csak úgy szimulál egy anyagot, és az rögtön egy hihetetlen termék lesz” – mondja. Néhányan azonban felháborodtak a DeepMind-tanulmányban szereplő állításon, miszerint „az emberiség által ismert stabil anyagok körét nagyságrendekkel bővítették”.

Galéria megnyitása

Jonathan Godwin gépi tanulási mérnök, aki a DeepMindnál dolgozott 2022-ig, és azóta saját MI-fejlesztette anyagokkal foglalkozó céget alapított, szintén úgy véli, hogy elég valószínűtlen, hogy mind a 2,2 millió olyan szerkezet, amit még nem szintetizáltak, új anyag lehet.

A DeepMind szóvivője ugyanakkor rámutat, hogy a GNoME által előre jelzett vegyületek közül több mint 700-at más kutatók is függetlenül előállítottak, és hogy a GNoME-struktúrák segítették több, korábban ismeretlen cézium-alapú vegyület szintézisét, amelyek érdekesek lehetnek olyan alkalmazásokban, mint az optoelektronika és az energiatárolás.

Új, ami nem is új

Az azonban egyre világosabb, hogy az MI-modellek által előre jelzett vegyületeket gondosan ellenőrizni kell. A MatterGen tesztelése érdekében a Microsoft kutatói arra kérték a modellt, hogy javasoljon új, meghatározott keménységű anyagokat, és az egyik anyagot laboratóriumban szintetizálták: egy rendezetlen vegyületet, a tantál-króm-oxidot. A rendezetlen tantál-króm-oxidot azonban már 1972-ben előállították laboratóriumban, és egy júniusi előzetes publikáció szerint ez ráadásul a MatterGen képzési adatai között is szerepelt.

A Meta és a Georgia Tech MI-vezérelt anyagkutatását szintén széles körű kritika érte a szakértők részéről, akik szerint az eredmények nem nyújtanak új ismereteket a szén-dioxid-megkötésről. „Már kiszámítottuk, hogy az általuk vizsgált anyagokkal lehetetlen közvetlen levegőelkülönítést végrehajtani” – mondja Smit, aki évek óta gépi tanulást alkalmaz az ilyen típusú kristályok szén-dioxid-megkötés céljából történő vizsgálatára. Az új modellek szerinte túlbecsülik az anyagok CO2-höz való kötődési képességét, részben a modellek képzéséhez használt alapadatbázisok hibái miatt.

Galéria megnyitása

Andrew Medford, a Georgia Tech vegyészmérnöke, aki a Meta részvételével zajló projektet szervezte, elfogadja a kritikákat, de szerinte ezeket a hiányosságokat kifejezetten elismerték a tanulmányukban is. Elmondása szerint a munka fő célja az volt, hogy bemutassák a gépi tanulási megközelítés ígéretességét. Augusztusban csapata közzétett egy előzetes tanulmányt, amelyben leírta a MOF-szerkezetekre vonatkozó DFT-számítások kibővített és továbbfejlesztett adatbázisát, amelynek célja a felvetett problémák megoldása.

Az MI hasznossá tétele

A viták ellenére sok kutató egyetért abban, hogy további finomításokkal az MI-modellek jelentősen elősegíthetik az anyagtudomány fejlődését. Cheetham minden kritikája ellenére is azt mondja, hogy például a GNoMe alapjául szolgáló megközelítés helyes, de az eredményeket alá kell vetni a kémiai józan észnek. A MatterGen eredményeinek ellenőrzése érdekében a Microsoft csapata éppen ezért létrehozott egy másik MI-rendszert, a MatterSim-et.

Amikor a MatterGen javasol egy szerkezetet, a MatterSim ellenőrzi, hogy az valódi hőmérsékleti és nyomásviszonyok között is megállja-e a helyét.

Margraf szerint az ő MI-rendszere is segíthet szűrni az ilyen modellek által előállított eredményeket. Azáltal, hogy azonosítja, mely vegyületek valószínűsíthetőek a valós életben, hasznosabbá teheti ezeket a kísérletezők számára, mondja. Persson elmondása szerint a Materials Project kutatói azon dolgoznak, hogy gépi tanulással szimulálják a struktúrák rendezetlenségét, hogy azok jobban tükrözzék a valóságot. És ha a rendezett javaslatok alapján dolgozó kutatók rendezetlen vegyületet állítanak elő, az is értékes felfedezésekhez vezethet, teszi hozzá: „Ezek a megjósolt vegyületek talán nem pontosan azok, amik aztán megvalósulnak, de nagyon fontos prototípusok lehetnek.”

Galéria megnyitása

Bár a nagy mennyiségű hipotetikus szerkezet generálása az MI egyik legismertebb felhasználási területe az anyagkutatásban, egyes kutatók úgy vélik, hogy a technológia más módon is hasznos lehet. Az Orbital Materials például MI-modelleket fejlesztett ki az anyagok összetételére és tulajdonságaira vonatkozó kísérleti adatok elemzéséhez. Ezek a modellek a vállalat kutatói által digitális laboratóriumi jegyzetfüzetekbe rögzített napi eredményeket olvassák el, és az információkat a publikált szakirodalommal összehasonlítva értelmezik.

Feltételezve, hogy az anyagok MI-támogatott felfedezése hasznosan alkalmazható, egy további akadály lehet annak kitalálása, hogyan lehet ezeket az anyagokat nagy mennyiségben előállítani, és sikeresen integrálni a kereskedelmi termékekbe. A kaliforniai Citrine Informatics ezért például olyan MI-rendszereket kínál, amelyek finomhangolják ügyfelek által használt anyagokat és gyártási folyamatokat, köztük a németországi Ludwigshafenben székelő BASF vegyipari vállalat működését. „Az ügyfelek három dolgot akarnak: csökkenteni a költségeket, javítani a fenntarthatóságot és fokozni a teljesítményt” – mondja Greg Mulholland, a Citrine Informatics vezérigazgatója. Minden ügyfél a Citrine modelljeinek egyedi verzióját használja, amelyeket az ügyfél saját kísérleti adatai alapján tanítottak be. A modellek ráadásul az ügyfél kutatóinak észrevételeit is magukba építik, hogy bevonják a kémiai intuíciót.

Amivel senki sem vitatkozik, hogy óriási az igény az új anyagokra, ezért a kutatók továbbra is vizsgálják, hogyan segíthet az MI a feladatokban.

„A jelenkor legnagyobb társadalmi kihívásai közül sok az anyagok miatt áll fenn” – mondja Xie. „Végső soron az MI-t szeretnénk felhasználni olyan anyagok tervezésére, amelyek nagy mennyiségben gyárthatók, és valóban hatással vannak mindennapi életre.”

Neked ajánljuk

    Tesztek

      Kapcsolódó cikkek

      Vissza az oldal tetejére