Kategorien

WOZU DIENEN DIE VON KI "ENTWICKELTE" MATERIALIEN?

Künstliche Intelligenzen haben sich in den letzten Jahren Millionen neuer Materialien ausgedacht. Aber wozu sind sie gut?
Jools
Jools
Wozu dienen die von KI "entwickelte" Materialien?

Als die Leiter von Google DeepMind, einem Pionier in der KI-Entwicklung, vor zwei Jahren bekannt gaben, dass sie mithilfe von Deep-Learning-KI-Techniken 2,2 Millionen neue kristalline Materialien entdeckt hatten, schien dies der Beginn einer aufregenden neuen Ära in der Materialwissenschaft zu sein. Auf der Grundlage der Elemente des Periodensystems wurden 52.000 Simulationen durchgeführt, darunter schichtweise Verbindungen, die dem Graphen mit seinen äußerst günstigen Eigenschaften ähneln, 528 potenzielle Lithium-Ionen-Leiter die bei der Entwicklung von Batterien eingesetzt werden könnten, und viele mehr.

Doch die Initiative zog - ebenso wie ähnliche Initiativen von Microsoft und Meta - bald heftige Kritik von Forschern auf sich, die sagten

einige der von den KI-Systemen erfundenen Verbindungen seien nicht originell, während andere unmöglich herzustellen oder einfach nicht zweckdienlich seien.

"Wir haben eine Menge lächerliches Zeug gefunden", sagt Anthony Cheetham, Materialwissenschaftler an der Universität von Kalifornien, nach Durchsicht von , der DeepMind-Liste hypothetischer Kristalle. Er und sein Kollege Ram Seshadri sagen, dass viele der mehr als 18.000 vom Projekt vorhergesagten Verbindungen zum Beispiel extrem seltene radioaktive Elemente enthalten, von denen sie bezweifeln, dass sie jemals nützlich sein könnten. "Es ist eine Sache, eine Verbindung zu entdecken, aber eine ganz andere, eine neue funktionelle Substanz zu entdecken", sagt Cheetham.

Die Arbeit mit Meta hat zu mehr als 100 Substanzen geführt , die Kohlendioxid direkt aus der Luft binden und so zur Eindämmung der globalen Erwärmung beitragen können. Diese Ergebnisse sind jedoch auch auf Kritik gestoßen. Laut Berend Smit, Computerchemiker an der Eidgenössischen Technischen Hochschule (EPFL) in Lausanne, sind die in Frage kommenden Stoffe einfach nicht für den Zweck geeignet, für den sie angepriesen werden. Er glaubt, dass die auf künstlicher Intelligenz basierende Methode, die in der Arbeit verwendet wurde, so aufregend erschien, dass die Autoren "ein wenig von der Realität abgehoben" waren.

Galerie öffnen

Revolutioniert die künstliche Intelligenz also wirklich die Materialforschung, oder handelt es sich nur um eine übertriebene Kampagne? Seit den ersten Vorwürfen haben sich Materialwissenschaftler eingehender mit den Ergebnissen befasst, um das wahre Potenzial der KI zu ermessen. Und die Experten, die hinter den ursprünglichen Ergebnissen stehen, haben reagiert und in einigen Fällen die grandiosen Behauptungen abgeschwächt oder Lösungen vorgeschlagen.

Die meisten Forscher neigen nun dazu, KI als großes Versprechen in der Materialwissenschaft zu sehen, aber die Zusammenarbeit mit experimentellen Chemikern ist unerlässlich, um ihr volles Potenzial auszuschöpfen - und eine gewisse Bescheidenheit in Bezug auf die derzeitigen Grenzen der Systeme ist keine schlechte Sache.

Kristallkugeln

Von der Bronzezeit bis zur Erfindung des rostfreien Stahls hat die Entdeckung von Werkstoffen in der Geschichte der Menschheit immer wieder zu Innovationen geführt. Im letzten Jahrzehnt hat sich der Einsatz von KI in der Materialwissenschaft beschleunigt. Viele dieser Initiativen konzentrieren sich auf anorganische kristalline Materialien, eine wichtige Untergruppe chemischer Verbindungen und ein grundlegender Bestandteil zahlreicher Technologien, einschließlich Halbleitern und Lasern.

Die Eigenschaften anorganischer kristalliner Materialien werden nicht nur durch die enthaltenen Atome bestimmt, sondern auch dadurch, wie diese Atome in sich wiederholenden Mustern angeordnet sind. Wenn Forscher also neue anorganische Kristalle entwerfen, erfinden sie nicht nur neue Kombinationen von Atomen, sondern versuchen auch vorherzusagen, welche Struktur diese Atome annehmen könnten.

Vor dem Aufkommen der künstlichen Intelligenz wurden hierfür eher traditionelle Berechnungsmethoden verwendet. Eine der effektivsten Methoden ist die Dichtefunktionaltheorie (DFT), die auf komplexen mathematischen Modellen beruht, die das Verhalten von Elektronen in Materialien beschreiben. Für eine hypothetische anorganische Verbindung kann dies Aufschluss darüber geben, welche Struktur am stabilsten - und damit am wahrscheinlichsten - ist, sowie über die Eigenschaften der Verbindung.

Galerie öffnen

Forscher haben mit Hilfe von DFT neue Materialien mit spektakulären Eigenschaften vorhergesagt, die anschließend im Labor hergestellt wurden - darunter superstarke Magnete und "Supraleiter", die Strom ohne Widerstand übertragen, aber im Gegensatz zu den meisten supraleitenden Materialien keine extrem niedrigen Temperaturen benötigen. Das Materials Project am Lawrence Berkeley National Laboratory (LBNL) verfügt über eine frei zugängliche Datenbank , in der die mittels DFT berechneten Strukturen von etwa 200.000 Kristallen erfasst sind.

DFT erfordert jedoch eine große Rechenkapazität. Die meisten akademischen Labors verfügen über ausreichende Rechenkapazitäten, um DFT-Berechnungen für einige wenige Verbindungen durchzuführen, aber es wäre unerschwinglich, Millionen von Materialien auf einmal zu untersuchen.

Und hier kommen groß angelegte KI-Initiativen ins Spiel. Im Fall von DeepMind stützte sich das Londoner Unternehmen nicht allein auf intensive DFT-Berechnungen, sondern fütterte einen Algorithmus für maschinelles Lernen mit den Ergebnissen bereits aufgezeichneter Berechnungen, zum Beispiel aus der Materials Project-Datenbank. Der Algorithmus, den das Team Materials Research Graph Networks (GNoME) nannte, lernte aus diesen Beispielen, wie man die Stabilität von zufällig erzeugten Kristallstrukturen vorhersagen kann, und tat dies viel schneller als die herkömmliche DFT. Das System verwendete dann DFT, um die vielversprechendsten Vorhersagen zu überprüfen, und speiste die Ergebnisse zurück in GNoME, um seine Leistung zu verbessern.

Auf diese Weise konnte GNoME schließlich eine große Sammlung von Verbindungen entwickeln, von denen erwartet wird, dass sie stabil sind.

In einer anderen Initiative, an der DeepMind-Forscher beteiligt waren, wurde KI auch zur Synthese von Materialien eingesetzt. Kristin Persson vom LBNL und Leiterin des Materialprojekts war Mitautorin eines Artikels , der zusammen mit den GNoMe-Ergebnissen veröffentlicht wurde und die Funktionsweise des robotergestützten "A-Lab" beschreibt. Zehntausende von veröffentlichten Artikeln, in denen beschrieben wird, wie verschiedene anorganische Verbindungen hergestellt werden können, werden in das System geladen. Das System hat gelernt, Rezepte für die Synthese von Zielverbindungen zu entwickeln, die noch nicht hergestellt wurden, deren Strukturen aber durch DFT vorhergesagt und vom Materials Project aufgezeichnet wurden. A-Lab setzte dann physikalische Roboter ein, um die Zutaten herzustellen und die Produkte zu analysieren, um zu prüfen, ob sie den Zielvorgaben entsprechen, und änderte die Rezepte, falls erforderlich.

Galerie öffnen

Kurz nachdem die GNoME- und A-Lab-Forscher ihre Arbeiten veröffentlicht hatten, stellte auch Microsoft sein eigenes KI-Tool für die Materialerkennung vor:. Wie GNoME ist auch MatterGen ein Modell für maschinelles Lernen, das darauf trainiert ist, stabile Kristallstrukturen zu erzeugen.

MatterGen ist jedoch gezielter als GNoME: Es kann hypothetische Materialien mit spezifischen Eigenschaften vorschlagen.

"Man kann direkt Kristalle herstellen, die den Designkriterien entsprechen", sagt Tian Xie, ein Forscher bei Microsoft Research AI for Science in Cambridge, der das Projekt geleitet hat. "Das ist viel effizienter, als Millionen von Kandidaten zu generieren".

Das Projekt mit Meta ist sogar noch gezielter. Das Fundamental AI Research Team des Unternehmens hat in Zusammenarbeit mit Forschern des Georgia Institute of Technology poröse Materialien identifiziert, die CO2 direkt aus der Luft abscheiden können. Mit Hilfe von DFT berechneten die Forscher die Fähigkeit von mehr als 8.000 experimentell ermittelten MOFs, CO2 zu binden. Anhand dieser Ergebnisse trainierten sie dann ein MI-Modell für dieselbe Aufgabe und zeigten, dass es eine ähnliche Genauigkeit bietet und viel schneller ist als DFT. In einer Veröffentlichung vom Mai 2024 sagten die Forscher mehr als 100 MOFs voraus, die Regionen enthalten, die stark an CO2 binden, was zeigt, dass MI-Tools die Entwicklung von MOFs beschleunigen können.

Chaos im Sternennebel

All diese Experimente haben jedoch eine hitzige Debatte ausgelöst. Als Robert Palgrave, ein Festkörperchemiker am University College London, die Ergebnisse von A-Lab untersuchte, kam er schnell zu dem Schluss, dass das Projekt einige der 41 anorganischen Verbindungen, die es angeblich hergestellt hatte, falsch charakterisiert hatte und in einigen Fällen einfach bereits synthetisierte Materialien synthetisiert hatte. Palgrave hat seitdem mit Hilfe von Leslie Schoop (Princeton University) und anderen eine detailliertere Kritik an der Arbeit von A-Lab verfasst, in der sie die Mängel bei der Charakterisierung der Materialien beschreiben und zu dem Schluss kommen, dass die A-Lab-Studie keine neuen Materialien enthält.

Sie weisen auch auf ein noch grundlegenderes Problem hin, das sich aus den Grenzen der DFT-Technik ergibt, mit der A-Lab die Zielstrukturen erhalten hat. Wie Palgrave erklärt, sagt die DFT-Methode im Allgemeinen hoch geordnete Kristallstrukturen voraus, die nur dann stabil sind, wenn die Temperatur bis zum absoluten Nullpunkt (-273 °C) sinkt. In der Realität ist die Anordnung der Atome in kristallinen Materialien jedoch oft viel ungeordneter. Obwohl viele der von A-Lab erzeugten geordneten DFT-Strukturen neu zu sein schienen, waren sie in Wirklichkeit schon vorher als ungeordnete Strukturen erzeugt worden - und schließlich erzeugte A-Lab diese bereits bekannten ungeordneten Formen, wie Palgrave betont.

Galerie öffnen

Gerbrand Ceder (LBNL, University of California), einer der Leiter von A-Lab, ist jedoch anderer Meinung. Ihm zufolge hat die detaillierte Neuanalyse der Forscher gezeigt, dass die Charakterisierungen von A-Lab zuverlässig waren. "A-Lab hat die Verbindungen hergestellt, die es behauptet hat, und es hatte keine Syntheseinformationen über sie", sagt er. "Die Herstellung von ungeordneten Versionen der vorhergesagten geordneten Verbindungen wird im Allgemeinen als Erfolg angesehen, und dies ist der Standard für den Vergleich von theoretischen Vorhersagen mit Experimenten", fügt er hinzu.

Das Problem der Unordnung betrifft auch KI-basierte DFT-Substitute wie GNoME, sagt Johannes Margraf, ein Computerchemiker an der Universität Bayreuth. Zusammen mit Kollegen haben sie ein maschinelles Lernsystem auf Kristallstrukturen trainiert, die durch experimentelle Messungen und nicht durch DFT bestimmt wurden. Das Modell hat gelernt, vorherzusagen, ob eine Verbindung wahrscheinlich ungeordnet ist, wenn ähnliche Elemente ihren Platz im Kristall wechseln. Dies deutet darauf hin, dass 80-84 % der rund 380 000 stabilen Verbindungen, die das DeepMind-Team als vielversprechende Ziele identifiziert hat und die alle eine geordnete Kristallstruktur zu haben scheinen, in Wirklichkeit ungeordnet sind.

Dieses Ergebnis deutet darauf hin, dass viele der GNoME-Vorschläge im Labor wahrscheinlich nicht realisiert werden können, zumindest nicht in geordneter Form, so dass ihre Eigenschaften von den Vorhersagen abweichen können.

Darüber hinaus können MI-Modelle, die auf DFT-Daten trainiert wurden, potenziell nützliche Eigenschaften übersehen, die sich aus der ungeordneten Natur der Struktur ergeben und von den Modellen nicht berücksichtigt werden, sagt Margraf. "Wenn man die Unordnung ignoriert, kann es zu falsch negativen und falsch positiven Ergebnissen kommen", sagt er. "Das ist nicht nur ein unbedeutendes Detail."

Der Materialwissenschaftler Ekin Dogus Cubuk, ein ehemaliger Leiter des GNoME-Projekts, stimmt zu, dass sich viele der von GNoME vorhergesagten geordneten Strukturen wahrscheinlich als ungeordnet herausstellen werden. Seiner Meinung nach besteht das Hauptziel der Methode darin, den Weg zu vielversprechenden Verbindungen zu weisen, die weiter untersucht werden müssen. "Es ist ja nicht so, dass man ein Material einfach simulieren kann und es sofort ein unglaubliches Produkt wird", sagt er. Einige sind jedoch empört über die Behauptung der DeepMind-Studie, dass "das Spektrum der stabilen Materialien, die der Menschheit bekannt sind, um Größenordnungen erweitert wurde".

Galerie öffnen

Auch der Ingenieur für maschinelles Lernen Jonathan Godwin, der bis 2022 bei DeepMind arbeitete und seitdem sein eigenes Unternehmen für KI-Materialien gegründet hat, hält es für unwahrscheinlich, dass alle 2,2 Millionen Strukturen, die noch nicht synthetisiert wurden, neue Materialien sein könnten.

Ein Sprecher von DeepMind weist jedoch darauf hin, dass mehr als 700 der von GNoME vorhergesagten Verbindungen von anderen Forschern unabhängig voneinander synthetisiert wurden und dass GNoME-Strukturen zur Synthese mehrerer bisher unbekannter Verbindungen auf Cäsiumbasis beigetragen haben , die für Anwendungen wie Optoelektronik und Energiespeicherung von Interesse sein könnten.

Neues, das nicht neu ist

Es wird jedoch immer deutlicher, dass die von KI-Modellen vorhergesagten Verbindungen sorgfältig kontrolliert werden müssen. Um MatterGen zu testen, baten die Microsoft-Forscher das Modell, neue Materialien mit einer bestimmten Härte vorzuschlagen, und eines der Materialien wurde im Labor synthetisiert: eine ungeordnete Verbindung namens Tantal-Chromoxid. Das ungeordnete Tantal-Chromoxid wurde jedoch bereits 1972 im Labor hergestellt, und laut einer vorläufigen Veröffentlichung von im Juni war es auch in den Trainingsdaten von MatterGen enthalten.

Die von der KI geleitete Materialforschung an Meta und Georgia Tech wurde auch von vielen Experten kritisiert, die sagen, dass die Ergebnisse keine neuen Erkenntnisse über die Kohlenstoffbindung liefern. "Wir haben bereits berechnet, dass es unmöglich ist, mit den von ihnen untersuchten Materialien die Luft direkt abzuscheiden", sagt Smit, der seit Jahren maschinelles Lernen einsetzt, um diese Art von Kristallen für die Kohlenstoffabscheidung zu untersuchen. Seiner Meinung nach überschätzen die neuen Modelle die Fähigkeit der Materialien, CO2 zu binden, zum Teil aufgrund von Fehlern in den zugrunde liegenden Datenbanken, die zum Trainieren der Modelle verwendet wurden.

Galerie öffnen

Andrew Medford, ein Chemieingenieur an der Georgia Tech, der das Projekt mit Meta organisiert hat, akzeptiert die Kritik, sagt aber, dass diese Mängel in der Studie ausdrücklich eingeräumt wurden. Seiner Meinung nach bestand der Hauptzweck der Arbeit darin, das Potenzial des maschinellen Lernens zu demonstrieren. Im August veröffentlichte sein Team eine vorläufige Publikation , in der eine erweiterte und verbesserte Datenbank mit DFT-Berechnungen für MOF-Strukturen beschrieben wird, mit der die angesprochenen Probleme gelöst werden sollen.

KI nützlich machen

Trotz der Kontroverse sind sich viele Forscher einig, dass MI-Modelle mit weiteren Verfeinerungen die Entwicklung der Materialwissenschaft erheblich voranbringen können. Trotz aller Kritik sagt Cheetham beispielsweise, dass der GNoMe zugrundeliegende Ansatz richtig ist, dass die Ergebnisse aber dem gesunden chemischen Menschenverstand unterliegen sollten. Aus diesem Grund hat das Microsoft-Team ein weiteres KI-System, MatterSim, entwickelt, um die Ergebnisse von MatterGen zu überprüfen.

Wenn MatterGen eine Struktur vorschlägt, prüft MatterSim, ob sie unter realen Temperatur- und Druckbedingungen Bestand hat.

Margraf sagt, dass sein KI-System auch dabei helfen kann, die von solchen Modellen erzeugten Ergebnisse zu filtern. Indem es erkennt, welche Verbindungen wahrscheinlich realistisch sind, kann es sie für Experimentatoren nützlicher machen, sagt er. Persson sagt, dass die Forscher des Materials Project daran arbeiten, mit Hilfe des maschinellen Lernens ungeordnete Strukturen zu simulieren, um die Realität besser widerzuspiegeln. Und wenn Forscher, die mit geordneten Vorschlägen arbeiten, ungeordnete Verbindungen herstellen, könnte das auch zu wertvollen Entdeckungen führen, fügt er hinzu: "Diese vorhergesagten Verbindungen sind vielleicht nicht genau das, was sie am Ende sind, aber sie könnten sehr wichtige Prototypen sein."

Galerie öffnen

Obwohl die Generierung großer Mengen hypothetischer Strukturen eine der bekanntesten Anwendungen von KI in der Materialforschung ist, glauben einige Forscher, dass die Technologie auch auf andere Weise nützlich sein könnte. Orbital Materials zum Beispiel hat KI-Modelle entwickelt, um experimentelle Daten über die Zusammensetzung und die Eigenschaften von Materialien zu analysieren. Diese Modelle lesen die täglichen Ergebnisse, die von den Forschern des Unternehmens in digitalen Laborbüchern festgehalten werden, und interpretieren die Informationen, indem sie sie mit der veröffentlichten Literatur vergleichen.

Unter der Annahme, dass die KI-gestützte Entdeckung von Materialien sinnvoll eingesetzt werden kann, könnte eine weitere Hürde darin bestehen, herauszufinden, wie diese Materialien in großen Mengen hergestellt und erfolgreich in kommerzielle Produkte integriert werden können. Das in Kalifornien ansässige Unternehmen Citrine Informatics beispielsweise bietet KI-Systeme zur Feinabstimmung von Werkstoffen und Herstellungsprozessen an, die von Kunden wie dem Chemieunternehmen BASF in Ludwigshafen verwendet werden. "Die Kunden wollen drei Dinge: Kosten senken, die Nachhaltigkeit verbessern und die Leistung steigern", sagt Greg Mulholland, CEO von Citrine Informatics. Jeder Kunde verwendet eine maßgeschneiderte Version der Modelle von Citrine, die auf der Grundlage der eigenen experimentellen Daten des Kunden trainiert wurden. Darüber hinaus beziehen die Modelle die Beobachtungen der Forscher des Kunden ein, um deren chemische Intuition zu nutzen.

Unbestritten ist, dass ein enormer Bedarf an neuen Materialien besteht, weshalb die Forscher weiter erforschen, wie KI bei diesen Aufgaben helfen kann.

"Viele der größten gesellschaftlichen Herausforderungen der Gegenwart haben mit Materialien zu tun", sagt Xie. "Letztendlich wollen wir KI nutzen, um Materialien zu entwickeln, die in großen Mengen produziert werden können und einen echten Einfluss auf das tägliche Leben haben."

Wir empfehlen Ihnen gerne

    Teste

      Diesbezügliche Artikel

      Zurück zum Seitenanfang