AI leert als chemicus lezen en versnelt zoektocht naar nieuwe materialen

Het bedenken van nieuwe materialen kost normaal gesproken jaren: chemici bedenken een idee, zoeken uit hoe ze het kunnen maken en testen het vervolgens in het lab. Met miljoenen mogelijke combinaties is dat proces bijna nooit compleet. Onderzoekers van Washington University in St. Louis laten nu zien hoe kunstmatige intelligentie dat werk kan overnemen, niet alleen door voorspellingen te doen, maar door die voorspellingen ook zelf te testen.

Scheikundige Zhiling Zheng beschrijft in het wetenschapstijdschrift Science hoe AI-systemen chemie kunnen 'lezen' zoals een onderzoeker dat doet. Grote taalmodellen worden getraind op duizenden beschrijvingen van chemische reacties uit vakliteratuur, en leren daaruit welke bouwstenen waarschijnlijk tot een werkend materiaal leiden. Zijn onderzoeksgroep richtte zich op metaal-organische raamwerken: poreuze kristalstructuren die te vergelijken zijn met een kubus met metalen op elke hoek. Er zijn miljoenen varianten mogelijk, veel te veel om ze allemaal met de hand te onderzoeken.

Van literatuur naar werkend materiaal

Zheng trainde AI op ongeveer vierduizend beschreven aanpassingen van dit soort raamwerken, en liet een AI-agent daaruit filteren welke combinaties chemisch haalbaar zijn. Via computersimulaties selecteerde het systeem tien nieuwe materialen die water beter uit de lucht kunnen onttrekken dan de beste bestaande aluminium-varianten. Dat resultaat kwam niet tot stand door duizenden combinaties blindelings te testen, de gangbare aanpak, maar doordat het model gericht suggesties deed op basis van wat het uit de literatuur had geleerd.

Dit soort zelfsturende laboratoria bestaat al decennia als idee, maar was tot voor kort niet haalbaar. Volgens Zheng maakt de opkomst van grote taalmodellen nu wel mogelijk wat eerder ontbrak: AI die niet alleen voorspelt, maar ook de praktische 'recepten' begrijpt om iets daadwerkelijk te maken. Onderzoekers vergelijken het met het opleiden van een promovendus: je geeft het systeem instructies, laat het oefenen en van fouten leren.

De uitdaging van datacuratie

Voordat een AI-model iets kan leren, moet alle relevante kennis eerst geschikt worden gemaakt om te 'lezen'. Die stap heet datacuratie en is minstens zo lastig als het uiteindelijke moleculair ontwerp zelf. Christopher Cooper van dezelfde universiteit werkte samen met Kathryn Miller van het Amerikaanse standaardeninstituut NIST aan een vergelijkbaar systeem voor polymeren: lange ketens van moleculen die de basis vormen van kunststoffen. Ze bouwden de Dynamic Polymer Annotated Library, een geautomatiseerd overzicht van polymeerdata uit tientallen jaren vakliteratuur.

Polymeren zijn extreem divers: één monster kan al miljoenen verschillende moleculen bevatten. Cooper en Miller beschrijven die diversiteit met kansverdelingen, zodat een AI-model snel kan inschatten welke ontwerpen kans van slagen hebben. De onderzoekers richten zich vooral op dynamische polymeren, materialen die zichzelf kunnen herstellen, reageren op prikkels of afbreekbaar zijn. Volgens Cooper versnelt deze aanpak zowel de nauwkeurigheid als de snelheid van voorspellingen aanzienlijk.

De uiteindelijke belofte is dat wetenschappers minder tijd kwijt zijn aan herhaald handwerk in het lab. AI-systemen kunnen het grootste deel van het zoekwerk virtueel uitvoeren, waarna mensen de meest kansrijke kandidaten zelf controleren. Zoals Zheng het samenvat: onderzoekers worden daarmee eerder manager van het proces dan iemand die tien uur per dag zelf in het lab staat.