Kennisbank › AI-ontworpen materialen
AI-ontworpen materialen: hoe algoritmes op zoek gaan naar de stoffen van de toekomst
Stel je een chemicus voor die in een gigantisch magazijn staat met miljarden mogelijke combinaties van atomen, en die de opdracht krijgt: zoek hierin het materiaal dat elektriciteit geleidt zonder weerstand, of dat een batterij twee keer zo veel energie laat opslaan. Handmatig proberen zou levens duren. Dat is precies het probleem dat AI-ontworpen materialen probeert op te lossen: kunstmatige intelligentie doorzoekt in korte tijd een onvoorstelbaar grote ruimte aan mogelijke materialen, en voorspelt welke daarvan de moeite waard zijn om in het echt te maken.
Traditioneel materiaalonderzoek werkt als koken zonder recept: je mengt stoffen, verhit ze, meet de eigenschappen, en probeert opnieuw als het niet lukt. Dat kost jaren per materiaal. AI-modellen fungeren nu als een soort supersnelle proefkeuken die vooraf, puur op basis van berekeningen, kan inschatten welk 'recept' waarschijnlijk een bruikbaar resultaat oplevert. Pas de meest kansrijke kandidaten worden vervolgens echt in het laboratorium getest. Zo verschuift materiaalontdekking van toeval en geduld naar gerichte, computergestuurde speurtocht.
Wat is het precies?
Elk materiaal — metaal, keramiek, kristal — bestaat uit atomen die op een bepaalde manier gerangschikt zijn, de zogeheten kristalstructuur. Die structuur bepaalt de eigenschappen: of iets stroom geleidt, hoe sterk het is, of het licht doorlaat. Het berekenen van die eigenschappen kan met een gevestigde methode uit de natuurkunde, dichtheidsfunctionaaltheorie (DFT), die met kwantummechanische vergelijkingen vrij nauwkeurig voorspelt hoe een materiaal zich gedraagt. Het probleem: DFT-berekeningen zijn traag en kosten voor één materiaal al snel uren tot dagen rekentijd op een supercomputer.
Hier komt machine learning in beeld. Onderzoekers trainen neurale netwerken op honderdduizenden bestaande DFT-berekeningen, zodat het model leert de uitkomst van zo'n berekening te 'raden' zonder de hele kwantummechanische som te doen. Veelgebruikt zijn graph neural networks (GNN's): een kristalstructuur wordt voorgesteld als een netwerk van punten (atomen) verbonden door lijnen (bindingen), en het model leert patronen herkennen in hoe dat netwerk samenhangt met eigenschappen als stabiliteit of geleidbaarheid. Dat maakt voorspellingen duizenden keren sneller, al iets minder precies dan de originele berekening.
Een volgende stap is generatieve AI: in plaats van alleen bestaande structuren te beoordelen, stelt het model zelf nieuwe, nooit eerder bedachte kristalstructuren voor die aan gewenste eigenschappen voldoen — vergelijkbaar met hoe beeldgeneratoren een plaatje maken op basis van een tekstopdracht. Microsoft's MatterGen is hier een voorbeeld van: je geeft het model een gewenste eigenschap op, en het genereert een plausibele atoomstructuur die daaraan zou kunnen voldoen.
De laatste, cruciale stap is validatie: een voorspelling is pas waardevol als het materiaal ook echt te maken is en zich in de praktijk gedraagt zoals berekend. Daarvoor zijn geautomatiseerde laboratoria ontwikkeld, zoals het A-Lab van het Lawrence Berkeley National Laboratory, waar robotarmen dag en nacht mengsels maken, verhitten en meten, gestuurd door AI die op basis van de resultaten steeds nieuwe experimenten voorstelt.
Wat wil men ermee bereiken?
De belofte is versnelling: waar het traditioneel gemiddeld tien tot twintig jaar duurt om een nieuw materiaal van ontdekking tot toepassing te brengen, hopen onderzoekers dat traject fors te bekorten. Concreet richt het veld zich op een aantal grote doelen.
Ten eerste betere batterijen: materialen die meer energie opslaan, sneller opladen, minder afhankelijk zijn van schaarse grondstoffen zoals kobalt en lithium, en veiliger zijn (vaste in plaats van vloeibare elektrolyten). Ten tweede supergeleiders: materialen die elektriciteit geleiden zonder energieverlies, wat cruciaal zou zijn voor efficiëntere stroomnetten, medische scanners en kwantumcomputers — al werken bekende supergeleiders vrijwel alleen bij extreem lage temperaturen, en is een supergeleider die bij kamertemperatuur werkt nog altijd niet overtuigend aangetoond.
Daarnaast zoekt men naar betere katalysatoren (stoffen die chemische reacties versnellen) voor groene waterstofproductie en CO2-afvang, naar halfgeleiders voor snellere chips, en naar duurzamere alternatieven voor materialen die nu op zeldzame of vervuilende grondstoffen leunen. De onderliggende drijfveer is vaak de energietransitie: veel klimaatoplossingen wachten op een materiaaldoorbraak.
Voorbeelden uit de praktijk
Een aantal projecten laat zien hoe dit veld zich concreet ontwikkelt.
GNoME (Google DeepMind, 2023) — Deze AI doorzocht mogelijke kristalstructuren en deed voorspellingen voor ruim 2 miljoen nieuwe, nog niet bekende materialen, waarvan er volgens DeepMind zo'n 380.000 stabiel genoeg leken om daadwerkelijk te bestaan. De resultaten werden gepubliceerd in Nature en toegevoegd aan de openbare Materials Project-database. Belangrijke kanttekening: dit zijn voorspellingen, geen bevestigde materialen — het overgrote deel moet nog in een lab worden nagemaakt en getest.
A-Lab (Lawrence Berkeley National Laboratory, 2023) — Dit robotlaboratorium combineert AI-planning met geautomatiseerde synthese. In een proef van ongeveer twee weken slaagde het systeem erin tientallen van de door AI voorgestelde nieuwe materialen ook daadwerkelijk te maken, grotendeels zonder menselijke tussenkomst. Het toont dat het traject van 'voorspelling' naar 'echt materiaal' automatiseerbaar is, al blijft het beperkt tot bepaalde, relatief eenvoudige materiaalklassen.
Materials Project (Lawrence Berkeley Lab, sinds 2011, geleid door Kristin Persson) — Een open, publiek toegankelijke database met berekende eigenschappen van tienduizenden materialen, die als trainingsdata en naslagwerk dient voor vrijwel het hele veld, inclusief GNoME en veel academische AI-modellen.
Microsoft Azure Quantum Elements en PNNL (2024) — Microsoft liet AI-modellen duizenden kandidaat-materialen voor vaste-stof-batterijen doorrekenen en werkte samen met het Pacific Northwest National Laboratory om een veelbelovende kandidaat met minder lithium daadwerkelijk te synthetiseren en testen. Het traject van miljoenen kandidaten naar een handvol geteste materialen nam volgens Microsoft slechts enkele weken in beslag — aanzienlijk sneller dan gebruikelijk, al is nog onduidelijk of het materiaal ooit in een commercieel product terechtkomt.
Meta AI Open Catalyst Project — Een samenwerking gericht op het vinden van betere, goedkopere katalysatoren voor brandstofcellen en de opslag van duurzame energie, met openbaar gedeelde datasets waarop onderzoekers wereldwijd voortbouwen.
Hoe ver is de techniek?
Het veld ontwikkelt zich snel, maar de vooruitgang zit vooral aan de voorspellende kant. AI is inmiddels behoorlijk goed geworden in het aanwijzen van materialen die stabiel en interessant zouden kunnen zijn. Het knelpunt ligt bij de volgende stappen: een structuur die op papier stabiel is, blijkt in de praktijk soms toch niet te maken, niet schaalbaar, giftig, of duurder dan bestaande alternatieven. Van de honderdduizenden door GNoME voorgestelde materialen is slechts een klein deel ooit in een lab bevestigd.
Een belangrijke waarschuwing tegen te veel hype is de kwestie rond LK-99: in de zomer van 2023 claimde een Zuid-Koreaans team een supergeleider te hebben gevonden die bij kamertemperatuur en normale druk zou werken — wat een enorme doorbraak zou zijn. Onafhankelijke laboratoria wereldwijd probeerden het resultaat binnen enkele weken te reproduceren, en concludeerden vrij unaniem dat het magnetische gedrag verklaard kon worden door verontreinigingen, niet door supergeleiding. Het voorval, dat overigens geen AI-ontdekking was, laat wel goed zien hoe streng en snel de wetenschappelijke gemeenschap claims in dit veld controleert, en hoe voorzichtig je met opzienbarende materiaalclaims moet omgaan.
Autonome laboratoria zoals A-Lab bestaan nog in beperkt aantal en werken vooralsnog vooral met poedervormige, anorganische materialen die relatief eenvoudig te synthetiseren zijn — complexere materialen, zoals veel batterij- of halfgeleidermaterialen, vergen nog veel mensenwerk. Ook de stap van 'werkt in het lab' naar 'geschikt voor massaproductie' blijft typisch jaren kosten, ongeacht hoe snel de AI-voorspelling ging.
Wie werken eraan?
Het veld wordt gedreven door een mix van techbedrijven, nationale onderzoekslaboratoria en universiteiten. Google DeepMind (GNoME) en Microsoft Research (MatterGen, Azure Quantum Elements) investeren zwaar vanuit hun AI-divisies, vaak in samenwerking met academische partners. Meta AI richt zich met het Open Catalyst Project specifiek op katalysatoren voor energietoepassingen.
Aan de kant van de nationale laboratoria spelen vooral Amerikaanse instituten een centrale rol: het Lawrence Berkeley National Laboratory (Materials Project, A-Lab) en het Pacific Northwest National Laboratory (batterijmaterialen) zijn beide onderdeel van het Amerikaanse ministerie van Energie. Deze inspanningen sluiten aan bij het bredere Materials Genome Initiative, een Amerikaans overheidsprogramma dat sinds 2011 AI en high-throughput berekeningen inzet om materiaalontwikkeling te versnellen.
Ook universiteiten als MIT, Stanford en het Toyota Research Institute doen actief onderzoek naar AI voor batterij- en katalysematerialen. China investeert eveneens fors in materiaalonderzoek met AI, onder meer via staatsinstituten en universiteiten, al is de mate van internationale samenwerking en openheid hier doorgaans beperkter dan bij westerse initiatieven. Binnen Europa financiert de EU materiaalonderzoek via Horizon-programma's, met een sterke nadruk op duurzaamheid en het verminderen van afhankelijkheid van kritieke grondstoffen.