生成式AI助力科学家合成复杂材料

生成式人工智能模型已经被用于创建庞大的理论材料库，这些材料有望帮助解决各种问题。现在，科学家只需要弄清楚如何制造它们。

在许多情况下，材料合成并不像在厨房里按照食谱操作那样简单。加工温度和时长等因素会导致材料性能发生巨大变化，从而决定其性能的成败。这限制了研究人员测试数百万种有前景的模型生成材料的能力。

现在，麻省理工学院的研究人员创建了一个AI模型，该模型通过建议有前景的合成路径来指导科学家完成材料制造过程。在一篇新论文中，他们展示了该模型在预测沸石类材料的有效合成路径方面达到了最先进的准确性，沸石可用于改进催化、吸收和离子交换过程。按照其建议，研究团队合成了一种新的沸石材料，显示出更好的热稳定性。

研究人员相信，他们的新模型可以打破材料发现过程中最大的瓶颈。

学会烘焙

对生成式AI的大规模投资促使谷歌和Meta等公司创建了巨大的数据库，其中充满了至少在理论上具有高热稳定性和气体选择性吸收等特性的材料配方。但制造这些材料可能需要数周或数月的仔细实验，以测试特定的反应温度、时间、前驱体比例和其他因素。

"人们依赖他们的化学直觉来指导这个过程，"麻省理工学院材料科学与工程系博士候选人、论文第一作者Elton Pan说。"人类是线性的。如果有五个参数，我们可能会保持其中四个不变，只线性改变其中一个。但机器在高维空间中的推理能力要强得多。"

材料发现的合成过程现在往往在材料从假设到应用的过程中占用最多时间。

为了帮助科学家应对这一过程，麻省理工学院的研究人员使用50年来科学论文中描述的超过23000种材料合成配方训练了一个生成式AI模型。研究人员在训练过程中迭代地向配方添加随机"噪声"，模型学会了去噪并从随机噪声中采样以找到有前景的合成路径。

其结果是DiffSyn，它使用了AI中一种称为扩散的方法。

"扩散模型基本上是一个像ChatGPT一样的生成式AI模型，但更像DALL-E图像生成模型，"Pan说。"在推理过程中，它通过在每一步减去一点噪声将噪声转换为有意义的结构。在这种情况下，'结构'是所需材料的合成路径。"

当使用DiffSyn的科学家输入所需的材料结构时，该模型会提供一些有前景的反应温度、反应时间、前驱体比例等组合。

"它基本上告诉你如何烘焙你的蛋糕，"Pan说。"你心中有一个蛋糕，你将它输入模型，模型输出合成配方。科学家可以选择他们想要的任何合成路径，并且有简单的方法来量化我们提供的最有前景的合成路径，我们在论文中展示了这一点。"

为了测试他们的系统，研究人员使用DiffSyn为沸石——一种复杂且需要时间形成可测试材料的材料类别——提出了新的合成路径。

"沸石具有非常高维的合成空间，"Pan说。"沸石通常需要数天或数周才能结晶，因此更快找到最佳合成路径的影响远大于其他在数小时内结晶的材料。"

研究人员能够使用DiffSyn建议的合成路径制造新的沸石材料。后续测试显示该材料具有适合催化应用的有前景形貌。

"科学家一直在逐个尝试不同的合成配方，"Pan说。"这使它们非常耗时。这个模型可以在不到一分钟内采样1000种配方。它为全新材料的合成配方提供了非常好的初始猜测。"

考虑复杂性

此前，研究人员建立了将材料映射到单一配方的机器学习模型。这些方法没有考虑到制造同一材料有不同的方式。

DiffSyn被训练为将材料结构映射到许多不同的可能合成路径。Pan说这更符合实验现实。

"这是从结构与合成之间的一对一映射到一对多映射的范式转变，"Pan说。"这是我们在基准测试中取得显著进步的重要原因。"

展望未来，研究人员相信这种方法应该可以用于训练其他模型，指导沸石以外材料的合成，包括金属有机框架、无机固体和其他具有多种可能合成路径的材料。

"这种方法可以扩展到其他材料，"Pan说。"现在，瓶颈是为不同材料类别找到高质量数据。但沸石很复杂，所以我可以想象它们接近难度的上限。最终，目标是将这些智能系统与自主真实世界实验相结合，以及对实验反馈的智能体推理，以显著加速材料设计过程。"

该工作得到了麻省理工学院国际科学技术倡议(MISTI)、国家科学基金会、瓦伦西亚政府、海军研究办公室、埃克森美孚以及新加坡科技研究局的支持。

Q&A

Q1：DiffSyn是什么？它能做什么？

A：DiffSyn是麻省理工学院研究人员创建的一个AI模型，使用扩散方法来指导材料合成过程。当科学家输入所需的材料结构时，DiffSyn可以提供有前景的反应温度、反应时间、前驱体比例等组合，帮助科学家找到最佳合成路径。它可以在不到一分钟内采样1000种合成配方，大大加速材料发现过程。

Q2：为什么材料合成是材料发现过程中的瓶颈？

A：材料合成并不像按照食谱操作那样简单，加工温度和时长等因素会导致材料性能发生巨大变化。制造理论材料可能需要数周或数月的仔细实验来测试各种参数组合。目前科学家主要依靠化学直觉和试错法，逐个尝试不同的合成配方，这使得合成过程非常耗时，成为材料从假设到应用过程中最大的瓶颈。

Q3：DiffSyn相比以前的机器学习模型有什么优势？

A：以前的机器学习模型采用一对一映射，将材料映射到单一配方，没有考虑到制造同一材料有不同方式的现实。而DiffSyn实现了从一对一映射到一对多映射的范式转变，能够将材料结构映射到许多不同的可能合成路径，这更符合实验现实，也是它在基准测试中取得显著进步的重要原因。