从预测到生产：麻省理工AI系统助力新材料合成

AI系统在预测新材料结构方面已经取得长足进步。然而，能否在实验室中真正实现材料合成呢？因为合成过程要微妙得多——这恰恰是人类的强项。AI可以基于数据进行可靠的预测，并输出在特定条件下最稳定、最有用的晶体结构。但当涉及到在适当温度、特定压力下正确混合化学试剂，并让实验运行一定时长时，情况就复杂得多。

现在情况可能改变。麻省理工（MIT）研究人员开发了一种生成式人工智能（GenAI）系统DiffSyn，它从历史材料合成数据中学习，预测可行的合成路径。其能力超出了结构属性范围。研究人员声称，它能够建模生产目标材料所需的实验步骤序列，本质上是将结构转化为工艺流程。该模型通过识别历史上成功形成材料的变量组合，缩小了实验搜索空间。它并非替代人类科学家，而是充当智能实验规划助手。研究人员认为，DiffSyn有望打破材料发现过程中最大的瓶颈。

“打个比方，我们知道自己想做什么蛋糕，但目前还不知道如何烤蛋糕。”论文第一作者、MIT材料科学与工程系（DMSE）博士生Elton Pan说，“材料合成目前依赖于领域专业知识和试错。”

借助新模型，研究团队成功合成了一种热稳定性更好的新型沸石材料。他们特意选择沸石来测试模型，因为这类材料结构复杂、对合成条件极其敏感，并且存在许多理论框架但从未在现实中被制备出来。沸石的难点不仅在于结构，还在于形成过程中涉及的相互作用变量数量众多。传统实验室方法倾向于逐一探索这些变量，这限制了对整个参数空间进行测试的现实可能性。

“人们依赖化学直觉来指导过程，”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，并线性地改变其中一个。但机器在高维空间中进行推理的能力要强得多。”

“扩散模型本质上是一种像ChatGPT一样的GenAI模型，但更像是DALL-E图像生成模型。”Pan说，“在推理过程中，它通过每一步减去少量噪声，将噪声转化为有意义的结构。在这里，‘结构’就是目标材料的合成路径。”

研究人员在超过23,000份公开发表的合成配料清单上训练了模型，这些清单横跨约50年。他们故意在这些清单中添加随机扰动，并教系统逐步重建它们。这样一来，模型学会了从随机性走向可行的合成方案。这种方法被称为扩散，是DiffSyn的基础。

“它基本上告诉你如何烤你的蛋糕。”Pan说，“你心中有蛋糕的构想，把它输入模型，模型就会吐出合成配方。科学家可以选择任何一条合成路径，而且有简单的方法从我们提供的结果中量化出最有前景的路径，这在我们的论文中也有展示。”

尽管该模型的测试范围有限，研究人员仍有信心，这种方法可以用来追踪其他指导非沸石材料合成的模型。

“这种方法可以扩展到其他材料，”Pan说，“现在的瓶颈是为不同材料类别找到高质量数据。但沸石很复杂，我可以想象它们接近难度的上界。最终目标是将这些智能系统与自主现实世界实验连接起来，并对实验反馈进行主体推理，从而大幅加速材料设计过程。”

如果像DiffSyn这样的系统被证明可靠，它们将显著缩短计算发现与实验验证之间的差距。研究人员指出，系统的性能在很大程度上取决于历史合成数据的质量和多样性。文献有限的材料可能仍然难以建模。然而，沸石的成功示范表明，AI可以超越结构预测，开始编码程序性的科学知识。