Wissenschaftler haben eine KI-basierte Methode entwickelt, die bei der Suche nach neuen Materialien dabei hilft, Daten effizienter zu erfassen, sodass Forscher komplexe Designherausforderungen präziser und schneller bewältigen können.
Diese Forschung entstand aus einer Zusammenarbeit zwischen Informatik- und Materialwissenschaftsforschern am SLAC National Accelerator Laboratory des Energieministeriums und der Stanford University. Die Zusammenarbeit vereint Fachwissen in Algorithmenentwicklung, maschinellem Lernen und Materialwissenschaft.
Ihre Arbeit, veröffentlicht heute in npj Computergestützte Materialienlegt den Grundstein für „selbstfahrende Experimente“, bei denen ein intelligenter Algorithmus die Parameter für die nächste Messreihe an Einrichtungen wie der Linac Coherent Light Source (LCLS) des SLAC definiert. Die neue Methode ermöglicht auch die schnelle Entdeckung neuer Materialien, die in Bereichen wie Klimawandel, Quantencomputer und Arzneimitteldesign vielversprechend sein könnten.
Die traditionelle Materialforschung war aufgrund der Kosten für die Herstellung und Messung der Eigenschaften neuer Materialien bisher ein zeitaufwändiger und teurer Prozess. Der Raum möglicher Materialien ist zudem extrem groß: Es gibt über 10 Milliarden Möglichkeiten für Materialien mit nur vier Elementen. Bei pharmazeutischen Anwendungen ist die Herausforderung sogar noch größer – mit etwa 1060 möglichen medikamentenähnlichen Molekülen, die nur die grundlegendsten Bausteine (C-, H-, O-, N- und S-Atome) enthalten.
Die Aufgabe wird noch komplizierter, da komplexe Designziele erreicht werden müssen, wie etwa die Entdeckung von Bedingungen zur Synthese von Nanopartikeln unterschiedlicher Größe, Form und Zusammensetzung. Traditionelle Methoden, die normalerweise eine einfache Eigenschaft maximieren oder minimieren, sind oft zu langsam, um riesige Suchräume zu durchforsten und neue Materialien zu finden, die den Zielen eines Forschers entsprechen.
In diesem Artikel wird ein neuer Ansatz vorgeschlagen, der komplexe Ziele automatisch in intelligente Datenerfassungsstrategien umwandelt. Ein wesentliches Merkmal ist die Fähigkeit, aus jedem Experiment zu lernen und sich zu verbessern, indem KI verwendet wird, um die nächsten Schritte auf der Grundlage der bisher gesammelten Daten vorzuschlagen. Die Innovation basiert auf dem Konzept der Bayesian Algorithm Execution (BAX), das kürzlich von Co-Autor Willie Neiswanger entwickelt wurde, der zum Zeitpunkt der Durchführung der Forschung Postdoktorand in Informatik in Stanford war. Bei dieser Methode kann ein komplexes Ziel als einfache Einkaufsliste oder Rezept geschrieben werden, was sich in Situationen bewährt, in denen mehrere physikalische Eigenschaften berücksichtigt werden müssen.
Ein weiterer wichtiger Aspekt ist, dass diese Methode benutzerfreundlich und Open Sourcesodass Wissenschaftler weltweit die Software für ihre Forschung nutzen und anpassen können. Dies fördert die globale Zusammenarbeit und Innovation.
Die Forscher testeten ihren Ansatz an einer Vielzahl von maßgeschneiderten Zielen für die Synthese von Nanomaterialien und die Charakterisierung magnetischer Materialien. Die Ergebnisse zeigten, dass ihre Methoden insbesondere in komplexen Szenarien deutlich effizienter waren als aktuelle Techniken.
„Unsere Methode ermöglicht es Ihnen, komplexe Ziele zu spezifizieren und eine automatische Optimierung über einen großen Designraum hinweg zu ermöglichen, was die Wahrscheinlichkeit erhöht, neue, erstaunliche Materialien zu finden“, sagte Sathya Chitturi, ein Doktorand am SLAC und in Stanford, der die Forschung leitete. „Mit dem Rahmenwerk zur Ausführung bayesscher Algorithmen können Sie die Feinheiten von Materialdesignaufgaben auf elegante und einfache Weise erfassen.“
Die Fähigkeit, Materialien mit spezifischen katalytischen Eigenschaften zu entwickeln, könnte beispielsweise chemische Prozesse verbessern, die zu effizienteren und nachhaltigeren Methoden zur Herstellung von Gütern und Materialien führen und so den Energieverbrauch und die Abfallmenge senken. In der Fertigung könnten neue Materialien Prozesse wie den 3D-Druck verbessern und eine präzisere und nachhaltigere Produktion ermöglichen. Im Gesundheitswesen können maßgeschneiderte Arzneimittelverabreichungssysteme die Zielausrichtung und Freisetzung von Therapeutika verbessern, die Wirksamkeit steigern und Nebenwirkungen verringern.
Die Forscher implementieren bereits Möglichkeiten zur Integration dieses Frameworks in experimentelle und simulationsbasierte Forschungsprojekte, um seine breite Anwendbarkeit und Wirksamkeit zu demonstrieren.
„Das Projekt ist ein großartiges Beispiel für die multidisziplinäre Zusammenarbeit zwischen SLAC und Stanford“, sagte Daniel Ratner, Leiter der Initiative für maschinelles Lernen (MLI) von SLAC. „Sathya konnte Willies Kernforschung in der algorithmischen Informatik anpassen, um reale wissenschaftliche Probleme in der Materialwissenschaft anzugehen.“
Die Forscher des MLI untersuchen nun die Anwendungsmöglichkeiten für groß angelegte Materialsimulationen. Neiswanger, Ratner und ihre Kollegen veröffentlichten kürzlich eine verwandte Anwendung von BAX um die Leistung von Teilchenbeschleunigern zu optimieren.
„Durch die Kombination fortschrittlicher Algorithmen mit gezielten experimentellen Strategien macht unsere Methode die Entdeckung neuer Materialien einfacher und schneller“, sagte Chris Tassone, Leiter der Abteilung für Materialwissenschaften der Stanford Synchrotron Radiation Lightsource (SSRL) am SLAC. „Dies kann zu neuen Innovationen und Anwendungen in vielen Branchen führen.“
Mehr Informationen:
Sathya R. Chitturi et al, Gezielte Materialentdeckung durch Bayessche Algorithmusausführung, npj Computergestützte Materialien (2024). DOI: 10.1038/s41524-024-01326-2