Moment Tensor Potential: hoe AI natuurwetten leert nabootsen om materialen te ontwerpen

Bijgewerkt: 25 augustus 2026 · 6 min leestijd

Stel je een scheikundige voor die precies wil weten hoe twee atomen zich gedragen als ze elkaar naderen: stoten ze af, trekken ze aan, vormen ze een binding? De meest betrouwbare manier om dat te berekenen, kost een supercomputer al snel uren tot dagen rekentijd per configuratie. Voor het simuleren van een heel materiaal met duizenden atomen die voortdurend bewegen, is dat gewoonweg onbetaalbaar. Een moment tensor potential (MTP) is een technologie die dit knelpunt omzeilt: een wiskundig model, getraind met kunstmatige intelligentie, dat leert om die dure berekeningen na te bootsen en binnen een fractie van een seconde een bijna even nauwkeurig antwoord geeft.

Vergelijk het met een ervaren kok die na duizenden keren proeven feilloos kan inschatten hoeveel zout een gerecht nodig heeft, zonder telkens opnieuw te proeven. Een MTP werkt vergelijkbaar met atomen: het is getraind op een beperkte set zeer nauwkeurige, maar trage quantumchemische berekeningen, en destilleert daaruit een wiskundige vuistregel. Die vuistregel voorspelt razendsnel welke krachten atomen op elkaar uitoefenen, en wordt vervolgens gebruikt om het gedrag van materialen te simuleren op een schaal die met de originele, langzame methode onhaalbaar zou zijn.

Wat is het precies?

In de materiaalkunde wil je vaak weten hoe atomen zich gedragen: hoe ze trillen, verschuiven, botsen of nieuwe verbindingen aangaan. Daarvoor gebruik je een zogeheten interatomaire potentiaal: een wiskundige formule die de energie van een groep atomen berekent op basis van hun onderlinge posities. Uit die energie volgen de krachten, en uit de krachten volgt hoe atomen zich in de tijd bewegen — een techniek die moleculaire dynamica heet.

Klassieke, eenvoudige potentialen (denk aan atomen die met simpele veren aan elkaar hangen) zijn heel snel, maar te grof voor complexe chemie. De gouden standaard is dichtheidsfunctionaaltheorie (DFT), een quantummechanische rekenmethode die zeer nauwkeurig is, maar traag: de rekentijd loopt snel op naarmate er meer atomen bij komen.

Een moment tensor potential probeert het beste van twee werelden te combineren. Het idee: laat een model leren van een relatief kleine set DFT-berekeningen, en gebruik dat model daarna in plaats van DFT. Het slimme zit in de manier waarop de omgeving van een atoom wordt beschreven. Voor elk atoom wordt gekeken naar zijn buuratomen, en die informatie wordt samengevat in zogeheten tensoren: wiskundige objecten die richtingen en verhoudingen in de ruimte vastleggen, vergelijkbaar met hoe een traagheidsmoment in de klassieke natuurkunde de massaverdeling van een voorwerp beschrijft. Door meerdere van zulke tensoren ("momenten", vandaar de naam) te combineren tot getallen die niet veranderen als je het atoom een andere kant op draait of de buuratomen anders nummert, ontstaat een soort digitale vingerafdruk van de lokale omgeving van elk atoom.

Die vingerafdrukken worden vervolgens gebruikt in een relatief eenvoudig wiskundig model (lineaire regressie op de tensor-basisfuncties) om de energie te voorspellen. Dat maakt een MTP lichter om te trainen en te evalueren dan sommige diepe neurale netwerken, terwijl de nauwkeurigheid dicht bij DFT kan komen. De methode werd in 2016 voorgesteld door de Russische wiskundige Alexander Shapeev, verbonden aan het Skolkovo Institute of Science and Technology (Skoltech) bij Moskou.

In de praktijk wordt een MTP vaak gecombineerd met actief leren: tijdens een simulatie signaleert het model zelf wanneer het een atomaire configuratie tegenkomt waar het onzeker over is. Alleen voor die twijfelgevallen wordt dan een nieuwe, dure DFT-berekening gedaan, waarna het model bijleert. Zo hoeft niet vooraf een enorme trainingsset te worden gegenereerd, wat de methode in de praktijk een stuk efficiënter maakt.

Wat wil men ermee bereiken?

De onderliggende ambitie is groot: het versnellen van materiaalonderzoek door computersimulaties te laten fungeren als een soort virtueel laboratorium. In plaats van eindeloos te experimenteren met legeringen, katalysatoren, batterijmaterialen of halfgeleiders, zou je eerst in de computer duizenden varianten kunnen doorrekenen en alleen de meest kansrijke kandidaten in het echie lab testen.

Dat vereist simulaties die twee dingen tegelijk zijn: nauwkeurig genoeg om chemisch realistisch te zijn, en snel genoeg om grote systemen (veel atomen) over lange tijdspannes te volgen. Traditionele DFT-berekeningen voldoen aan de eerste eis maar niet aan de tweede; klassieke krachtvelden aan de tweede maar niet aan de eerste. Moment tensor potentials — en de bredere familie van machine-learned interatomic potentials waartoe ze behoren — proberen precies dat gat te dichten.

Het doel is dus niet een specifiek product, maar een gereedschap: een rekenmethode die onderzoekers in staat stelt materialen digitaal te ontwerpen en te testen voordat er iets fysiek wordt gemaakt. Dat kan de ontwikkeling van nieuwe batterijen, corrosiebestendige legeringen of waterstofopslagmaterialen in potentie flink versnellen, al is dat laatste eerder een belofte dan een gegarandeerd resultaat.

Voorbeelden uit de praktijk

MTP is inmiddels een gevestigde methode binnen de computationele materiaalkunde, met een aantal concrete toepassingen:

De oorspronkelijke methode (2016): Alexander Shapeev introduceerde moment tensor potentials in een wiskundig-wetenschappelijk artikel, met als doel een systematisch verbeterbare interatomaire potentiaal te bouwen — dat wil zeggen: een model dat nauwkeuriger wordt naarmate je er meer rekenkracht en trainingsdata in stopt, zonder de wiskundige basis te hoeven veranderen.
De MLIP-softwarepakketten: de onderzoeksgroep van Shapeev bij Skoltech bracht open-source software (bekend als MLIP, met opvolgers) uit waarmee andere onderzoekers zelf MTP-modellen kunnen trainen, vaak gekoppeld aan actief leren tijdens moleculaire-dynamicasimulaties.
Fasediagrammen van metalen: MTP is gebruikt om het complexe gedrag van zuivere metalen zoals uranium en aluminium bij verschillende temperaturen en drukken te simuleren — systemen waarbij klassieke krachtvelden tekortschieten en volledige DFT-simulaties te traag zouden zijn om alle relevante fasen in kaart te brengen.
High-entropy alloys: voor legeringen die uit vijf of meer metalen in vergelijkbare verhoudingen bestaan (zogeheten high-entropy alloys), is de chemische complexiteit zo groot dat klassieke modellen moeite hebben. MTP-achtige potentialen worden ingezet om mechanische eigenschappen zoals sterkte en vervormbaarheid van dit soort legeringen te voorspellen.
Vergelijkende studies: in de wetenschappelijke literatuur over machine-learned interatomic potentials duikt MTP regelmatig op als referentiemethode waartegen nieuwere technieken (zoals neurale-netwerkpotentialen) worden afgezet op nauwkeurigheid, snelheid en trainingskosten.

Hoe ver is de techniek?

Moment tensor potentials zijn geen prototype meer: de methode wordt al jaren actief gebruikt in academische computationele-materiaalkundegroepen wereldwijd en is geïntegreerd in populaire moleculaire-dynamicasoftware. Actief leren heeft de drempel om een MTP te trainen aanzienlijk verlaagd, omdat je niet meer vooraf een gigantische trainingsset van DFT-berekeningen hoeft te genereren.

Toch zijn er duidelijke grenzen. Een MTP is zo goed als de data waarop hij getraind is: buiten dat trainingsgebied kunnen voorspellingen onbetrouwbaar worden, een probleem dat in de vakliteratuur vaak wordt aangeduid met extrapolatierisico. Ook wordt het trainen lastiger naarmate een materiaal uit meer verschillende chemische elementen bestaat, omdat het aantal mogelijke atomaire omgevingen dan sterk toeneemt.

Daarnaast is het veld van machine-learned interatomic potentials volop in beweging. Nieuwere, op diepe neurale netwerken gebaseerde methoden (die rotatie- en symmetrie-eigenschappen wiskundig "ingebouwd" hebben, zogeheten equivariante netwerken) presteren in sommige benchmarks nauwkeuriger dan MTP, zij het vaak tegen hogere rekenkosten. MTP wordt daardoor niet gezien als hét eindpunt van de ontwikkeling, maar als een belangrijke, relatief lichte en interpreteerbare tussenstap in een snel evoluerend onderzoeksveld. Kortom: de techniek is volwassen en bruikbaar, maar wordt voortdurend ingehaald en aangevuld door nieuwe varianten.

Wie werken eraan?

De methode is ontstaan bij Skoltech (Skolkovo Institute of Science and Technology) in Moskou, in de onderzoeksgroep van Alexander Shapeev, die de bijbehorende open-sourcesoftware onderhoudt en verder ontwikkelt. Wereldwijd gebruiken en verfijnen academische groepen in computationele materiaalkunde en scheikunde de methode voor eigen toepassingen, van legeringenonderzoek tot katalyse.

MTP staat niet op zichzelf: het maakt deel uit van een breder, competitief onderzoeksveld rond machine-learned interatomic potentials. Bekende verwante methoden komen onder meer van de groep van Gábor Csányi aan de University of Cambridge (Gaussian Approximation Potentials, GAP) en van Sandia National Laboratories in de Verenigde Staten (SNAP). Daarnaast investeren grote technologiebedrijven in aanpalende, deels concurrerende benaderingen: zo publiceerde Google DeepMind in 2023 onderzoek naar het op grote schaal voorspellen van stabiele nieuwe materialen met neurale netwerken, en werken ook andere techbedrijven aan zogeheten "foundation models" voor materiaalsimulatie. Dat maakt het een veld waarin academische groepen en industriële onderzoekslabs elkaar over en weer beïnvloeden, zonder dat één partij of methode dominant is.