Valentieregel: hoe een eeuwenoud scheikundeprincipe nieuwe materialen helpt ontdekken
Stel je een LEGO-blokje voor met een vast aantal noppen erop. Hoeveel andere blokjes je erop kunt klikken, hangt precies af van dat aantal noppen: niet meer, niet minder. Atomen werken op een vergelijkbare manier. Elk type atoom heeft een vast aantal "aansluitpunten" — buitenste elektronen die het kan delen met andere atomen om een chemische binding te vormen. Die aansluitpunten heten in de scheikunde de valentie van een atoom, en de regels die voorschrijven hoeveel bindingen een atoom mag aangaan, worden wel de valentieregel of valentietheorie genoemd.
Dat klinkt als klassieke schoolscheikunde, en dat is het ook: het is al meer dan honderd jaar bekend. Toch duikt de term de laatste jaren op in een heel ander domein, namelijk de zoektocht naar de materialen van de toekomst. Onderzoekers gebruiken valentieregels tegenwoordig als bouwsteen in kunstmatige-intelligentiesystemen die razendsnel miljoenen denkbeeldige stoffen doorrekenen op zoek naar bijvoorbeeld betere batterijen, supergeleiders of chips. De oude regel krijgt zo een nieuw leven in de computer.
Wat is het precies?
Atomen bestaan uit een kern met daaromheen elektronen, gerangschikt in schillen. Alleen de elektronen in de buitenste schil — de zogeheten valentie-elektronen — doen mee aan chemische bindingen. Koolstof heeft er bijvoorbeeld vier, zuurstof zes en waterstof één.
In 1916 stelde de Amerikaanse scheikundige Gilbert N. Lewis voor dat atomen "willen" streven naar acht elektronen in hun buitenste schil, omdat die configuratie extra stabiel is. Zijn collega Irving Langmuir werkte dit idee enkele jaren later verder uit tot wat bekend werd als de octetregel. Een atoom vormt dus net zoveel bindingen als nodig is om, samen met zijn buren, aan die acht (of bij waterstof: twee) elektronen te komen. Dat is in de kern de valentieregel: het aantal bindingen dat een atoom aangaat, is voorspelbaar uit zijn positie in het periodiek systeem.
Voor eenvoudige moleculen werkt dit goed: zuurstof vormt twee bindingen, stikstof drie, koolstof vier. Voor vaste stoffen en kristallen — de bouwstenen van halfgeleiders, batterijen en magneten — bestaan uitgebreidere versies van dezelfde logica, zoals de zogeheten 8-N-regel voor halfgeleidermaterialen en de Hume-Rothery-regels die voorspellen welke metalen goed mengbare legeringen vormen. Al deze regels zijn in feite boekhoudkundige trucs: ze tellen elektronen om te voorspellen of een bepaalde combinatie van atomen een stabiele, bestaanbare stof kan vormen.
Het belangrijkste voor het begrijpen van de huidige toepassing is dit: een valentieregel is een filter. Van de vrijwel oneindige mogelijke combinaties van atomen kun je met zo'n regel snel de onzinnige combinaties wegstrepen, zonder dat je een duur experiment of een zware natuurkundige berekening hoeft uit te voeren.
Wat wil men ermee bereiken?
Nieuwe technologie loopt vaak vast op een gebrek aan geschikte materialen. Betere batterijen vragen om elektrodes en elektrolyten die meer energie opslaan zonder te oververhitten. Snellere chips vragen om halfgeleiders die minder warmte verspillen. Kwantumcomputers vragen om materialen die hun broze kwantumtoestanden lang genoeg vasthouden. Er zijn miljoenen denkbare combinaties van elementen die zulke eigenschappen zouden kunnen hebben, maar het testen ervan in een laboratorium kost weken tot maanden per stof.
Het doel van moderne materiaalonderzoekers is daarom dit proces drastisch te versnellen door eerst virtueel te zoeken. Computers rekenen met kwantummechanische modellen en machine-learningsystemen razendsnel duizenden tot miljoenen hypothetische materialen door, en gebruiken daarbij onder meer valentieregels als ingebouwde vuistregel om onrealistische kandidaten er meteen uit te filteren. Alleen de meest kansrijke overblijvers worden vervolgens echt gesynthetiseerd en getest. Dat scheelt in potentie jaren onderzoekstijd en moet de weg vrijmaken voor nieuwe generaties batterijen, zonnecellen, katalysatoren en elektronica.
Voorbeelden uit de praktijk
Een aantal concrete projecten laat zien hoe dit in de praktijk werkt.
- Materials Project (sinds 2011, Lawrence Berkeley National Laboratory, onder leiding van materiaalkundige Kristin Persson): een publiek toegankelijke database met berekende eigenschappen van tienduizenden bestaande en hypothetische materialen, die onderzoekers wereldwijd gebruiken als startpunt voor nieuw onderzoek.
- GNoME (Graph Networks for Materials Exploration), gepresenteerd door Google DeepMind in 2023: een neuraal netwerk dat een zeer groot aantal nieuwe kandidaat-kristalstructuren voorspelde, waarvan een aanzienlijk deel volgens de berekeningen chemisch stabiel zou zijn. De exacte aantallen uit het oorspronkelijke onderzoek liggen in de orde van miljoenen kandidaten en honderdduizenden als stabiel ingeschatte structuren; onafhankelijke experimentele bevestiging van die stabiliteit volgt in de praktijk pas geleidelijk.
- A-Lab, eveneens verbonden aan Lawrence Berkeley National Laboratory: een autonoom robotlaboratorium dat, gestuurd door computervoorspellingen, zelfstandig nieuwe materialen mengt, verhit en analyseert. In gepubliceerd onderzoek uit 2023 synthetiseerde het lab binnen enkele weken een flink deel van een voorgestelde lijst nieuwe verbindingen, al lukte een substantieel deel van de pogingen niet — een nuchter signaal dat computervoorspellingen en laboratoriumwerkelijkheid nog niet altijd overeenkomen.
- MatterGen van Microsoft Research (vanaf 2023 gepubliceerd, met vervolgwerk in latere jaren): een generatief AI-model dat, vergelijkbaar met beeldgeneratoren, materialen "ontwerpt" die aan gewenste eigenschappen voldoen, waarbij chemische bindingsregels als randvoorwaarde worden meegegeven zodat de output scheikundig zinvol blijft.
- Onderzoek naar topologische materialen, waarin internationale teams (onder meer gepubliceerd in het tijdschrift Nature rond 2019) grootschalige elektronentelling gebruikten om te voorspellen welke van de duizenden bekende kristalstructuren mogelijk exotische, voor kwantumtechnologie interessante elektronische eigenschappen bezitten.
Bij deze voorbeelden geldt steeds dezelfde kanttekening: een computervoorspelling is een hypothese, geen bewijs. Pas na synthese en meting in een echt laboratorium weet je zeker of een materiaal ook werkelijk bestaat en doet wat berekend is.
Hoe ver is de techniek?
De valentieregel zelf is uitontwikkeld: het is basiskennis die al decennialang op middelbare scholen en universiteiten wordt onderwezen. Wat wél snel in ontwikkeling is, is de manier waarop deze en verwante regels worden ingebouwd in AI-modellen voor materiaalontdekking. Dat vakgebied, vaak materials informatics genoemd, is in de afgelopen tien tot vijftien jaar van een nichetoepassing uitgegroeid tot een actief onderzoeksveld met eigen tijdschriften, databanken en grote industriële investeringen.
Toch zijn er stevige obstakels. Valentieregels zijn vuistregels, geen natuurwetten: er bestaan talloze uitzonderingen, vooral bij overgangsmetalen en complexere verbindingen, waardoor filters op basis van deze regels zowel kansrijke materialen kunnen missen als kansloze materialen kunnen doorlaten. Daarnaast is een voorspelling dat een materiaal "stabiel" is volgens een rekenmodel niet hetzelfde als een materiaal dat ook daadwerkelijk, betaalbaar en op schaal te maken is. De grootste bottleneck in het hele veld is niet langer het bedenken van kandidaten — dat gaat inmiddels razendsnel — maar het experimenteel verifiëren ervan. Autonome robotlaboratoria zoals A-Lab proberen die kloof te dichten, maar staan zelf nog in de kinderschoenen en zijn vooralsnog schaars en kostbaar.
Wie werken eraan?
Het onderzoek is sterk internationaal en combineert academische, publieke en commerciële partijen. In de Verenigde Staten trekken het Amerikaanse ministerie van Energie en nationale laboratoria als Lawrence Berkeley National Laboratory en Pacific Northwest National Laboratory een groot deel van het fundamentele werk, mede gevoed door het overheidsinitiatief Materials Genome Initiative dat sinds 2011 loopt. Techbedrijven als Google DeepMind en Microsoft Research hebben eigen onderzoeksgroepen die AI-modellen voor materiaalontdekking bouwen, vaak in samenwerking met universiteiten. Op universitair niveau zijn onder meer groepen aan MIT, in het Verenigd Koninkrijk en in Duitsland actief op het gebied van topologische en kwantummaterialen. Ook China investeert fors in materiaalinformatica als onderdeel van zijn technologiestrategie, en de Europese Unie ondersteunt vergelijkbaar onderzoek via Horizon-programma's. Standaardisatie van scheikundige begrippen, inclusief valentieregels, valt internationaal onder de IUPAC (International Union of Pure and Applied Chemistry).