Machine-learning interatomic potential: hoe kunstmatige intelligentie moleculen laat bewegen

Een machine-learning interatomic potential (ML-potentiaal) is een computermodel dat voorspelt hoeveel energie een verzameling atomen heeft, en welke krachten er op elke atoomkern werken, puur op basis van hun onderlinge posities. Dat klinkt abstract, maar het is de motor achter simulaties waarmee onderzoekers op een computerscherm zien hoe een batterijmateriaal degradeert, hoe een eiwit vouwt of hoe een legering breekt — zonder dat er een echt laboratorium aan te pas komt.

Vergelijk het met een ervaren schaakcomputer. Die hoeft niet elke keer alle natuurwetten van het schaakspel opnieuw af te leiden; hij heeft geleerd, op basis van miljoenen partijen, welke zetten goed aanvoelen. Een ML-potentiaal doet iets vergelijkbaars met natuurkunde: in plaats van bij elke stap de volledige kwantummechanische vergelijkingen op te lossen die de energie van atomen bepalen — een proces dat traag en rekenintensief is — heeft het model, getraind op duizenden tot miljoenen voorbeelden, geleerd om die energie in een fractie van de tijd te "voorspellen", met bijna dezelfde nauwkeurigheid.

Wat is het precies?

Om te begrijpen wat een ML-potentiaal doet, helpt het om eerst te kijken naar wat ontbreekt zonder zo'n model. Onderzoekers die het gedrag van materialen op atomaire schaal willen simuleren, gebruiken normaal gesproken dichtheidsfunctionaaltheorie (DFT), een kwantummechanische rekenmethode die vrij nauwkeurig voorspelt hoe elektronen en atoomkernen zich gedragen. Het probleem is snelheid: DFT-berekeningen zijn zo rekenintensief dat een simulatie van een paar honderd atomen gedurende een paar picoseconden (biljoensten van een seconde) al dagen tot weken supercomputertijd kan kosten.

De klassieke oplossing was het gebruik van "krachtvelden" (force fields): eenvoudige, met de hand ontworpen wiskundige formules die de energie tussen atomen beschrijven op basis van vaste aannames, zoals veren tussen gebonden atomen of eenvoudige aantrekkings- en afstotingskrachten. Dat is snel, maar onnauwkeurig en vaak alleen geschikt voor het specifieke materiaal waarvoor het is ontworpen.

Een ML-potentiaal kiest een middenweg. Eerst genereren onderzoekers een trainingsdataset: duizenden tot miljoenen atomaire configuraties waarvan de energie en krachten met DFT zijn uitgerekend. Vervolgens leert een machine-learning-model — vaak een neuraal netwerk, soms een andere statistische methode zoals Gaussian process regression — het verband tussen de posities van atomen en hun energie na te bootsen. Cruciaal is dat het model rekening moet houden met natuurkundige symmetrieën: de energie van een molecuul verandert niet als je het verschuift, draait, of als je twee identieke atomen (bijvoorbeeld twee waterstofatomen) verwisselt. Moderne architecturen bouwen die symmetrieën direct in het model in, wat de nauwkeurigheid en de hoeveelheid benodigde trainingsdata sterk verbetert.

Eenmaal getraind, kan het model de energie en krachten van nieuwe, nooit eerder geziene atoomconfiguraties berekenen in milliseconden tot microseconden in plaats van uren, met een nauwkeurigheid die dicht bij die van DFT ligt. Dat maakt het mogelijk om simulaties te draaien met veel meer atomen, over veel langere tijdschalen, tegen een fractie van de kosten.

Wat wil men ermee bereiken?

De onderliggende ambitie is simpel te formuleren: de nauwkeurigheid van kwantummechanica combineren met de snelheid van klassieke simulaties. Dat opent de deur naar toepassingen die voorheen onbetaalbaar waren in rekentijd.

Een belangrijk doel is het versnellen van materiaalontdekking. In plaats van in een laboratorium duizenden materiaalcombinaties uit te proberen, kunnen onderzoekers virtueel screenen welke samenstellingen stabiel, sterk of geleidend genoeg zijn voor een specifieke toepassing — bijvoorbeeld een nieuw kathodemateriaal voor batterijen, een katalysator voor waterstofproductie, of een legering die bestand is tegen extreme hitte.

Een tweede doel is fundamenteel begrip: door processen te simuleren die te snel of te klein zijn om direct te observeren — zoals de vorming van een scheurtje in metaal op atomair niveau, of hoe ionen zich door een vast elektrolyt bewegen — kunnen onderzoekers mechanismen doorgronden die experimenteel moeilijk toegankelijk zijn.

Ten slotte is er de ambitie van "universele" of "foundation"-modellen: één ML-potentiaal die niet is afgestemd op één specifiek materiaal, maar die in principe voor het hele periodiek systeem bruikbare voorspellingen doet. Dat zou het proces van materiaalontwerp democratiseren, omdat onderzoekers niet meer voor elk nieuw project een compleet nieuw model hoeven te trainen.

Voorbeelden uit de praktijk

Een van de invloedrijkste vroege architecturen zijn de neurale-netwerkpotentialen die Jörg Behler en Michele Parrinello rond 2007 introduceerden, gebaseerd op zogeheten "symmetry functions" die de lokale omgeving van elk atoom beschrijven. Dit werk legde de basis voor het hele veld.

Het Deep Potential-project, ontwikkeld door onder anderen Weinan E en Han Wang (verbonden aan Princeton University en Peking University), bracht ML-potentialen naar grootschalige moleculaire-dynamicasimulaties met miljoenen atomen, en werd in 2020 bekroond met de Gordon Bell Prize voor supercomputertoepassingen.

In 2021 en 2022 verschenen "equivariante" neurale netwerken zoals NequIP (ontwikkeld aan Harvard) en later MACE (Universiteit van Cambridge, groep van Gábor Csányi), die de bovengenoemde symmetrieën wiskundig strikter afdwingen en daardoor met veel minder trainingsdata een hoge nauwkeurigheid bereiken.

Een van de meest besproken toepassingen is GNoME (Graph Networks for Materials Exploration), een project van Google DeepMind dat eind 2023 in het tijdschrift Nature werd gepubliceerd. Door ML-potentialen te combineren met actief leren, meldden de onderzoekers de identificatie van ruim tweehonderdduizend tot enkele miljoenen kandidaat-kristalstructuren die volgens de berekeningen stabiel zouden zijn, waarvan een deel als kansrijk voor daadwerkelijke synthese werd beoordeeld. Het precieze aantal experimenteel bevestigde, werkelijk nieuwe materialen ligt overigens lager dan de aanvankelijke krantenkoppen suggereerden; een deel van de claims is na publicatie bekritiseerd door andere onderzoeksgroepen, wat een goed voorbeeld is van hoe dit veld nog volop in ontwikkeling is.

Ook Microsoft Research bracht in 2024 een eigen "foundation"-model uit, MatterSim genaamd, getraind om materiaaleigenschappen over een breed scala aan temperaturen en drukken te voorspellen. Daarnaast gebruikt het Open Catalyst Project, een initiatief van Meta AI (voorheen Facebook AI Research) dat in 2020 startte, ML-potentialen om katalysatoren voor duurzame energietoepassingen te doorzoeken, met open datasets die door de hele onderzoeksgemeenschap worden gebruikt.

Hoe ver is de techniek?

Het veld heeft de afgelopen vijf tot acht jaar een snelle ontwikkeling doorgemaakt, van modellen die voor één specifiek materiaal moesten worden getraind naar de eerste generatie "universele" potentialen die in 2022 en 2023 verschenen, zoals M3GNet, CHGNet en MACE-MP-0. Deze laatste zijn getraind op de grote publieke Materials Project-database, die honderdduizenden DFT-berekeningen bevat, en presteren redelijk over een breed scala aan materialen zonder dat er per project opnieuw getraind hoeft te worden.

Toch blijven er belangrijke beperkingen. Ten eerste is de nauwkeurigheid van elke ML-potentiaal in de kern begrensd door de kwaliteit van de DFT-data waarop hij getraind is; systematische fouten in de onderliggende kwantummechanische methode planten zich voort in het ML-model. Ten tweede kunnen deze modellen onbetrouwbaar of zelfs onfysisch gedrag vertonen zodra ze geconfronteerd worden met atoomconfiguraties die sterk afwijken van hun trainingsdata — een probleem dat onderzoekers proberen te beperken met "actief leren", waarbij het model tijdens gebruik zelf detecteert wanneer het onzeker is en om aanvullende trainingsdata vraagt. Ten derde zijn langeafstandseffecten zoals elektrostatische krachten en ladingsoverdracht van oudsher lastig voor de lokale, op nabijheid gebaseerde beschrijvingen die veel modellen gebruiken, al verbetert dit met nieuwere architecturen.

Reproduceerbaarheid en validatie vormen eveneens een punt van zorg: verschillende onderzoeksgroepen hanteren verschillende benchmarks, en spraakmakende claims over aantallen "nieuw ontdekte materialen" blijken bij nadere inspectie soms minder robuust dan aanvankelijk gepresenteerd. Het veld bevindt zich dus in een fase waarin de technische mogelijkheden zich zeer snel uitbreiden, maar waarin standaardisatie, onafhankelijke validatie en experimentele bevestiging nog achterlopen op de rekenkundige vooruitgang.

Wie werken eraan?

Academisch gezien lopen groepen aan de Universiteit van Cambridge (Gábor Csányi), Harvard University, Princeton University, Peking University en de Technische Universiteit Berlijn (Kristof Schütt en collega's, bekend van SchNet) voorop in de ontwikkeling van nieuwe modelarchitecturen. Het Lawrence Berkeley National Laboratory in de Verenigde Staten beheert met het Materials Project, onder leiding van Kristin Persson, een van de belangrijkste publieke datasets waarop veel van deze modellen worden getraind.

Onder de grote technologiebedrijven investeren Google DeepMind (met GNoME), Microsoft Research (met MatterSim en het gerelateerde generatieve model MatterGen) en Meta AI (met het Open Catalyst Project) fors in dit onderzoeksgebied, vaak in samenwerking met academische partners. Daarnaast zijn er gespecialiseerde start-ups zoals Orbital Materials, die sinds 2023 en 2024 eigen "foundation"-modellen voor materiaalsimulatie ontwikkelen en aanbieden als commerciële dienst.

Op landenniveau zijn de Verenigde Staten, het Verenigd Koninkrijk, Duitsland en China de belangrijkste centra van onderzoek, met aanzienlijke publieke financiering via onder meer het Amerikaanse Department of Energy en Europese onderzoeksprogramma's. Ook Nederlandse en Vlaamse onderzoeksgroepen, bijvoorbeeld binnen de scheikunde- en materiaalwetenschapsfaculteiten van technische universiteiten, gebruiken en ontwikkelen deze methoden, al ligt het zwaartepunt van fundamentele architectuurontwikkeling vooralsnog bij de hierboven genoemde grote instituten.

Verder lezen

• The Materials Project — publieke database met berekende materiaaleigenschappen, veelgebruikt als trainingsbron voor ML-potentialen.
• Nature — wetenschappelijk tijdschrift waarin veel baanbrekende publicaties over machine-learning interatomic potentials verschijnen.
• Google DeepMind — onderzoeksorganisatie achter het GNoME-project voor materiaalontdekking.
• LAMMPS — veelgebruikte open-source software voor moleculaire-dynamicasimulaties, met ondersteuning voor diverse ML-potentialen.
• NOMAD Laboratory — Europees platform voor het delen van materiaaldata en computationele modellen.