Model AI może ujawnić struktury materiałów krystalicznych

Ta technika działa najlepiej, gdy kryształ jest nienaruszony, ale w wielu przypadkach naukowcy mają tylko sproszkowaną wersję materiału, która zawiera przypadkowe fragmenty kryształu. To sprawia, że ​​trudniej jest złożyć w całość całą strukturę.

Chemicy z MIT opracowali nowy generatywny model AI, który może znacznie ułatwić określanie struktur tych sproszkowanych kryształów. Model predykcyjny może pomóc badaczom scharakteryzować materiały do ​​wykorzystania w bateriach, magnesach i wielu innych zastosowaniach.

„Struktura to pierwsza rzecz, którą musisz wiedzieć o każdym materiale. Jest ważna dla nadprzewodnictwa, jest ważna dla magnesów, jest ważna dla wiedzy, jaką fotowoltaikę stworzyłeś. Jest ważna dla każdego zastosowania, jakie możesz sobie wyobrazić, które jest skoncentrowane na materiałach” — mówi Danna Freedman, profesor chemii Frederick George Keyes na MIT.

Freedman i Jure Leskovec, profesor informatyki na Uniwersytecie Stanforda, są głównymi autorami nowego badania, które ukazało się w Czasopismo Amerykańskiego Towarzystwa ChemicznegoGłównymi autorami artykułu są Eric Riesel, student ostatniego roku MIT, i Tsach Mackey, student pierwszego roku Uniwersytetu Yale.

Wyjątkowe wzory

Materiały krystaliczne, do których zaliczają się metale i większość innych nieorganicznych materiałów stałych, składają się z sieci, które składają się z wielu identycznych, powtarzających się jednostek. Jednostki te można postrzegać jako „pudełka” o charakterystycznym kształcie i rozmiarze, z atomami ułożonymi precyzyjnie w ich wnętrzu.

Gdy promienie rentgenowskie są kierowane na te sieci, uginają atomy pod różnymi kątami i o różnych natężeniach, ujawniając informacje o położeniu atomów i wiązaniach między nimi. Od początku lat 1900. technika ta była używana do analizy materiałów, w tym cząsteczek biologicznych o strukturze krystalicznej, takich jak DNA i niektóre białka.

W przypadku materiałów, które występują wyłącznie w postaci sproszkowanego kryształu, rozwiązywanie tych struktur staje się znacznie trudniejsze, ponieważ fragmenty nie zawierają pełnej trójwymiarowej struktury oryginalnego kryształu.

„Dokładna sieć nadal istnieje, ponieważ to, co nazywamy proszkiem, jest w rzeczywistości zbiorem mikrokryształów. Masz więc tę samą sieć, co duży kryształ, ale są one w całkowicie losowej orientacji” – mówi Freedman.

Dla tysięcy tych materiałów istnieją wzory dyfrakcji rentgenowskiej, ale pozostają nierozwiązane. Aby spróbować rozszyfrować struktury tych materiałów, Freedman i jej współpracownicy wytrenowali model uczenia maszynowego na danych z bazy danych o nazwie Materials Project, która zawiera ponad 150 000 materiałów. Najpierw wprowadzili dziesiątki tysięcy tych materiałów do istniejącego modelu, który może symulować, jak będą wyglądać wzory dyfrakcji rentgenowskiej. Następnie wykorzystali te wzory do wytrenowania swojego modelu AI, który nazwali Crystalyze, aby przewidywał struktury na podstawie wzorów rentgenowskich.

Model dzieli proces przewidywania struktur na kilka podzadań. Najpierw określa rozmiar i kształt kratownicy „pudełka” oraz to, które atomy się w nim znajdą. Następnie przewiduje rozmieszczenie atomów w pudełku. Dla każdego wzoru dyfrakcyjnego model generuje kilka możliwych struktur, które można przetestować, wprowadzając struktury do modelu, który określa wzory dyfrakcyjne dla danej struktury.

„Nasz model to generatywna sztuczna inteligencja, co oznacza, że ​​generuje coś, czego wcześniej nie widziała, a to pozwala nam generować kilka różnych przypuszczeń” — mówi Riesel. „Możemy dokonać stu przypuszczeń, a następnie przewidzieć, jak powinien wyglądać wzór proszku dla naszych przypuszczeń. A jeśli dane wejściowe wyglądają dokładnie tak samo jak dane wyjściowe, to wiemy, że zrobiliśmy to dobrze”.

Rozwiązywanie nieznanych struktur

Naukowcy przetestowali model na kilku tysiącach symulowanych wzorów dyfrakcyjnych z Materials Project. Przetestowali go również na ponad 100 eksperymentalnych wzorcach dyfrakcyjnych z bazy danych RRUFF, która zawiera sproszkowane dane dyfrakcyjne rentgenowskie dla prawie 14 000 naturalnych minerałów krystalicznych, które odłączyli od danych treningowych. Na tych danych model był dokładny w około 67 procentach przypadków. Następnie zaczęli testować model na wzorcach dyfrakcyjnych, które wcześniej nie zostały rozwiązane. Dane te pochodziły z pliku Powder Diffraction File, który zawiera dane dyfrakcyjne dla ponad 400 000 rozwiązanych i nierozwiązanych materiałów.

Korzystając ze swojego modelu, naukowcy opracowali struktury dla ponad 100 z tych wcześniej nierozwiązanych wzorów. Wykorzystali również swój model do odkrycia struktur dla trzech materiałów, które laboratorium Freedmana stworzyło, zmuszając pierwiastki, które nie reagują pod ciśnieniem atmosferycznym, do tworzenia związków pod wysokim ciśnieniem. To podejście można wykorzystać do generowania nowych materiałów, które mają radykalnie różne struktury krystaliczne i właściwości fizyczne, mimo że ich skład chemiczny jest taki sam.

Grafit i diament — oba wykonane z czystego węgla — są przykładami takich materiałów. Materiały opracowane przez Freedmana, z których każdy zawiera bizmut i jeden inny pierwiastek, mogą być przydatne w projektowaniu nowych materiałów na magnesy trwałe.

„Odkryliśmy wiele nowych materiałów na podstawie istniejących danych i co najważniejsze, rozwiązaliśmy trzy nieznane struktury z naszego laboratorium, które składają się na pierwsze nowe fazy binarne tych kombinacji pierwiastków” – mówi Freedman.

Według zespołu MIT, który opublikował interfejs internetowy dla tego modelu pod adresem: „Możliwość określenia struktur sproszkowanych materiałów krystalicznych może pomóc naukowcom pracującym w niemal każdej dziedzinie związanej z materiałami”. krystalizacja.org.

Badania zostały sfinansowane przez Departament Energii Stanów Zjednoczonych i Narodową Fundację Naukową.