MIT-es AI-eszköz gyorsíthatja a stabil új anyagok tervezését

A generált anyagok nagy része kieshet a stabilitási vizsgálaton

A nagy mesterségesintelligencia-modellek ma már percek alatt milliónyi új anyagtervet tudnak előállítani, az MIT News cikke szerint ez mégsem hozott hasonló ugrást abban, hány új anyag jut el gyakorlati felhasználásig például számítógépes chipekben vagy rakétákban. Az egyik fő ok, hogy a jelenlegi modellek nem veszik elég megbízhatóan figyelembe az általuk generált anyagok kémiai stabilitását.

Az instabil anyagok a valós alkalmazásokban kevéssé használhatók, ezért az iparági szereplőknek nagy számítási kapacitást kell arra fordítaniuk, hogy kiszűrjék őket. A forrás szerint egyes esetekben a folyamat végén csak nagyon kis hányad marad használható opcióként.

Az MIT kutatói erre a problémára fejlesztették ki a crystal generator with valence-constrained design nevű megközelítést, röviden CrysVCD-t. A keretrendszer lényege, hogy még a költséges generálási lépés előtt ellenőrzi, a tervek megfelelnek-e bizonyos, az atomok körüli elektronokra vonatkozó alapvető kémiai szabályoknak.

A CrysVCD a folyamat elején avatkozik be

A tanulmányban a kutatók több, gyakran használt anyagmodellen mutatták be, hogy a CrysVCD hatására azok gyakrabban feleltek meg a vegyértékhéj-szabályoknak. A módszerrel a számításos anyaggenerálások közel 70 százalékában magas rácsdinamikai stabilitást értek el, amelyet a cikk szigorú stabilitási tesztként ír le.

A kutatók azt is bemutatták, hogy a megközelítés célzott tulajdonságú anyagok létrehozását is támogathatja. A példák között szerepel a magas hővezető képesség és a nagy dielektromos állandó, amelyek a forrás szerint számítógépes chipek és adatközpontok szempontjából fontosak.

Mingda Li, az MIT nukleáris tudományi és mérnöki tanszékének docense a rendszer szerepét egy hasonlattal írta le. Az MIT News idézete szerint: „Ha az anyaggeneráló modellek olyanok, mint a DVD-k, mi olyanok vagyunk, mint a DVD-lejátszó.” Li azt is mondta: „Bármilyen modellhez csatlakoztatható, nemcsak meglévő diffúziós modellekhez, hanem jövőbeli modellekhez is, ahol az emberek nem tudnak elég stabil anyagot generálni, és javíthatja a stabilitást.”

A cikk szerzői között Li mellett Mouyang Cheng, Weiliang Luo, Hao Tang, Bowen Yu, Yongqiang Cheng, Weiwei Xie, Ju Li és Heather Kulik szerepelnek. A munkában az MIT Anyagtudományi és Mérnöki, Kémiai, Vegyészmérnöki, Fizikai, valamint Nukleáris Tudományi és Mérnöki területeihez kötődő kutatók vettek részt.

Nyelvi modell és diffúziós modell dolgozik együtt

Az MIT News szerint a számításos anyagtervezés évtizedek óta létezik, de a mesterséges intelligencia újabb fejlődése növelte az érdeklődést a terület iránt. Különösen azok a modellek fontosak, amelyek egy kívánt anyagtulajdonságból indulnak ki, és visszafelé haladva keresnek hozzá megfelelő anyagot.

Egyes megközelítések diffúziós technikát használnak, amelyet képgenerálásra is alkalmaznak, mások nagy nyelvi modelleket vetnek be, például a ChatGPT-t és a Claude-ot működtető modellekhez hasonló megoldásokat. A forrás szerint mindkét irány nehezen biztosítja, hogy a létrehozott anyagok kémiailag stabilak legyenek, illetve kövessék a kémiai kölcsönhatások és viselkedés alapelveit.

A szokásos megoldás egy utólagos számítási réteg, amely kiszűri az instabil anyagokat. Mouyang Cheng szerint „könnyűvé válik az anyagszerkezet generálása”, de az ellenőrzési folyamat, különösen a stabilitás tesztelése, óriási számítási költséggel jár. A forrásban szereplő idézete szerint ez a használható anyagok létrehozásának számítási költségéből „valami olyasmi, mint 90 százalék”, és hetekig vagy hónapokig is tarthat.

Az új rendszerben az első szakaszban a nyelvi modell kémiailag érvényes képleteket állít elő. A második szakaszban a diffúziós modell ezt a képletet használja fel a kristályos anyag megfelelő atomszerkezetének generálására, az alapul szolgáló anyaggeneráló modellel együttműködve.

Weiliang Luo a diffúziós anyaggenerálást lassú folyamatként írta le, amelyre úgy lehet gondolni, mint nagyjából 1 000 lépésre egyetlen anyag létrehozásához. Hao Tang szerint ezzel szemben a modelljük a folyamat elején körülbelül öt lépésként képzelhető el, és segít kiszűrni az instabil anyagokat, hogy jobb minőségű jelöltek szülessenek.

Milyen eredményeket közöltek a kutatók

A kutatók szerint a CrysVCD egy nagyságrenddel hatékonyabban hozott létre stabilabb anyagokat, mint azok a megközelítések, amelyek a generálás után szűrnek. Amikor stabilitási mérőszámokra finomhangolták, a módszerrel létrehozott kristályos anyagok 68 százalékos mechanikai stabilitást és 85 százalékos metastabilitást értek el. A metastabilitás azt méri, hogy egy anyag zavartalan állapotban stabil állapotban marad-e.

A kutatók ezután nagy hővezető képességű, illetve elektromos térben könnyen polarizálható anyagjelölteket generáltak. Ju Li szerint ezek az anyagok a félvezetőipar számára hasznosak, a nagy hővezető képességű anyagok pedig az adatközpontok hűtéséhez kapcsolódnak.

Ju Li az MIT Newsnak azt mondta, hogy elvben más tulajdonságokra is használható lenne a módszer, de a hővezető képesség nagyon fontossá vált az adatközpontok hűtése miatt. A forrás szerint az iparág energiafelhasználása jelentősen nőtt, és ennek 30 százaléka hűtésre megy el.

Mit jelenthet ez a kutatóknak és a piacnak

A CrysVCD nem minden anyagtípusra működik. Az MIT News szerint azoknál a szilárd szerkezeteknél teljesít a legjobban, amelyek belső elrendezése erősen rendezett. Ezzel együtt a megközelítés stabil, új kristályos anyagok generálására használható, több fontos tulajdonság mentén.

A forrás alapján a legfontosabb hatás a számítási költség és az idő csökkenése lehet. Heather Kulik szerint az a módszer, amely előbb modellt generál, majd utólag válogat stabilitás alapján, nem hatékony, mert nagy számítási költséggel jár. A CrysVCD ezzel szemben már a generálás elején korlátozza a folyamatot kémiai szabályokkal.

Mingda Li szerint ez „hatalmas számítási költséget és időt” takaríthat meg az utólagos kiválasztási igények eltávolításával. A kutató szerint ez nemcsak a több százmillió anyagot generáló nagy programokat segítheti, hanem a célzott alkalmazásokon dolgozó kisebb kutatócsoportokat is.

A munkát részben az Egyesült Államok Energiaügyi Minisztériuma, egy Mathworks Engineering Fellowship, a National Science Foundation és az Egyesült Államok Defense Threat Reduction Agency támogatta.