Muratahan Aykol és Joseph Montoya
A kívánt mérnöki tulajdonság eléréséhez megfelelő „szerkezetű” anyag elkészítése az anyagtudomány szent grálja. A kvantummechanikának köszönhetően tudjuk, hogy egy anyag kristályszerkezete – az atomok azonossága és elrendezése – meghatározza annak fizikai és kémiai tulajdonságait. Például a mobiltelefon lítium-ion akkumulátorának katódanyaga elsősorban lítiumból, kobaltból és oxigénatomokból áll, amelyek meghatározott kristályszerkezetben vannak elrendezve. Ez az elrendezés kis térfogatban csomagolja a kémiai energiát, miközben lehetővé teszi a lítium-ionok mozgását anélkül, hogy megzavarná a szerkezetet, így az akkumulátor újratölthetővé válik.
Az anyagtudományt az teszi izgalmassá, hogy a hipotetikus kristályszerkezetek száma korlátlan! A sok lehetőség miatt mindig van lehetőség arra, hogy jobb anyagokat találjunk, amelyek a technológiát a következő határba viszik. Például, ha olcsóbb akkumulátorokat helyezünk el az elektromos járművekben, akkor gyorsabban csökkentjük szén-dioxid-kibocsátásunkat, míg a gyorsabban tölthető anyagok biztosítják, hogy kevesebb időt töltsünk járműveink töltésével, és ezzel kiküszöböljük a széles körű elterjedtség és használat egyik kritikus akadályát.
De ha a lehetséges anyagok száma korlátlan, hogyan tudunk hatékonyan kutatni, ha véges időnk és erőforrásunk van a kísérletek futtatására?
Ez a blog bemutatja, hogy a CAMD (Computational Autonomy for Materials Discovery) hogyan tud szoftverkeretet biztosítani a stabil anyagok felfedezéséhez, valamint önálló kutatási kampányok tervezéséhez és futtatásához.
Az anyagok felfedezésének hagyományos útja a több évtizedes feltáró gyakorlat volt, amelyben a tudósok saját kíváncsiságuktól vezérelve új vegyületeket próbálnak létrehozni, új elméleteket dolgoznak ki, és végül eldöntik, hogy milyen anyagokat tanulmányozzon legközelebb a tudományos közösség.
Ez a folyamat megteremti a terepet a következő áttörést jelentő anyagok, például a „lítium-kobalt-oxid” akkumulátorokhoz vagy az „itrium-bárium-kuprát” szupravezetők serény és éleslátású felfedezéséhez. De hogyan tudjuk automatizálni és felgyorsítani ezt az anyagfeltárási folyamatot?¹ Például megadhatunk egy számítógépnek néhány meglévő információt az anyagokról, és megkérhetjük, hogy intelligensen döntse el, melyik kísérletet futtassa, visszaadja a méréseket, és ismételje meg ezt a folyamatot, hogy a számítógép megkapja okosabb az új adatokkal?
Nemrég elindított nyílt forráskódú python könyvtárunkban, a CAMD-ben (Computational Autonomy for Materials Discovery) célunk, hogy megfelelő szoftverkeretet biztosítsunk, amely megkönnyíti az anyagtudósok számára a zárt hurkú kutatási kampányok tervezését és lebonyolítását. Munkánk számos népszerű szekvenciális vagy adaptív döntéshozatali erőfeszítést hasznosít, mint például az aktív tanulás vagy a Bayes-i optimalizálás. A CAMD-ben a döntéshozatali folyamat minden apró részlete egy ügynökbe van beágyazva, amely úgy tesz, mintha ő lenne a kutató.
A CAMD tudja, hogyan kell programozottan beszélni egy külső kísérleti létesítményekkel, és ping-pong játékot szervez az ügynök és a kísérlet között. Ez a folyamat addig fut, amíg a rendszer ideje vagy erőforrása elfogy, vagy az ügynök le nem akarja állítani. Az ágens használatának előnye az algoritmikus döntéshozatalhoz nyújtott rugalmasság, beleértve a gépi tanulást, a feltárási-kihasználási stratégiákat, valamint a fizikai konstrukciókat, a heurisztikát, a logikát és az empirikus modelleket. Ezzel a moduláris felépítéssel és a meglévő anyagadatok felhasználásának lehetőségével a CAMD játszóteret biztosít az ágensek megtervezéséhez, kipróbálásához és optimalizálásához, mielőtt egyetlen fillért sem költenének új kísérletekre!
A TRI-nél a CAMD „legutóbbi alkalmazása” új stabil szervetlen vegyületek felfedezésére összpontosít. Míg a kvantummechanika (QM) szabályai diktálják az atomok világát, és meghatározzák, hogy a kristályszerkezet hogyan illeszkedik a mérnöki tulajdonságokhoz, a QM-et nem csak közvetlenül az anyagok felfedezésére alkalmazhatjuk. Maga a QM még napjaink legjobb szuperszámítógépeivel is kezelhetetlen, de a „sűrűség-funkcionális elmélet” (DFT) megfogalmazása ésszerű kompromisszumot biztosít a számítási összetettség és a pontosság között számos alapvető anyagtulajdonság előrejelzéséhez. A DFT ma a modern, első elvek szerinti anyagmodellezés igáslova. Az elmúlt évtizedben a DFT új fejezetet kezdett az anyagtudományban azáltal, hogy nagy adatbázisokat hozott létre az előre jelzett struktúrákról és tulajdonságokról, és lehetővé tette az új jelölt anyagok virtuális szűrését egy alkalmazáshoz.
De a DFT használata számítógépes „kísérletként” hipotetikus anyagok tulajdonságainak mérésére még mindig nem olcsó számítás. Egyetlen anyag 1-100 dollárba kerülhet számítási felhőben. Tehát a lehetőségek milliárdjai közül hogyan döntjük el, hogy mely hipotetikus anyagokat vizsgáljuk meg DFT-vel, és hogyan költsük el hatékonyan az erőforrásainkat? Ez az a típusú kutatási probléma, amelyet a CAMD segít megoldani.
Eddig a fő célunk a CAMD-vel az volt, hogy olyan szervetlen vegyületeket találjunk, amelyek stabilak. A DFT jó a stabilitás előrejelzésében, ami előfeltétele annak, hogy reménykedjünk egy számítógéppel tervezett hipotetikus anyag elkészítésében a laborban. A stabilitás a más anyagokra bomlásra való hajlamot méri, tehát nem csak magának az anyagnak a szerkezetétől függ, hanem minden mástól is a kémiai terében. A DFT adatbázisokban² található anyagoknak csak kis százaléka válik (ésszerűen) stabillá, ami megmagyarázza, hogy új stabil vegyületek kifejlesztése a semmiből (vagy anyagfelfedezés) miért jelent régóta kihívást az anyagtudományban.
Egy egyszerű módja annak, hogy szemléltesse, hogyan segít a CAMD a stabil anyagok felfedezésében, ha megvizsgáljuk a hatását az összetételi „fázisdiagramokra”. Leegyszerűsítve ezeket a diagramokat a kémiai terek térképeként is felfoghatjuk – megmondják, mely anyagok léteznének (vagy léteznének együtt), ha bizonyos arányban keverjük össze a különböző elemeket, és útmutatást adnak az anyagok földjén való eligazodáshoz ³.
Az alábbiakban két összetételi diagramot talál a háromkomponensű magnézium-irídium-bór (Mg-Ir-B) rendszer esetére a CAMD futtatása előtt (vagyis a rendszer számára már ismert anyagokkal) és utána. Az eredeti diagramon azt mondják, hogy csak egyetlen vegyületet, az MgBIr-t tudunk előállítani, ha ezt a három elemet egyenlő mennyiségben összekeverjük. De ez az információ teljes?
Térjünk át a CAMD kampány után kapott új diagramra. Először is bepillantást nyerhetünk a CAMD által ebben a kampányban kipróbált kompozíciók széles körébe (~200 kristályszerkezetből); Ebből ~50 majdnem stabil lett (zöld körök). De ami még ennél is fontosabb, észrevesszük, hogy három új, teljesen stabil⁴ vegyületet fedeztek fel (piros körök), és a Mg-Ir-B teret ábrázoló térképünk jelentősen fejlődött! A CAMD kevesebb, mint 100 dollárt költött számítástechnikára, és néhány nap alatt új, értelmes Mg-Ir-B vegyületeket talált – ami jelentős felgyorsítás a hagyományos felfedezési folyamathoz képest. Az egyetlen emberi beavatkozás az volt, hogy a CAMD-t utasították, hogy vizsgálja meg az Mg-B-Ir rendszert.
A CAMD for Inorganics ma már a hét minden napján, éjjel-nappal a felhőben futó platform, amely önállóan keresi az új szervetlen vegyületeket, utasításokkal együtt, hogy melyik kémiai rendszert értékelje. Kevesebb mint ezer kémiai térben, amelyet megvizsgáltunk, több mint 25 000 új stabil vagy csaknem stabil szervetlen vegyületet fedezett fel. A CAMD segít gyorsan kibányászni a kémiai tereket, hogy megtudja, hol vannak az anyagismeretünk hiányosságai (vagyis a hiányzó vegyületek).
A szervetlen vegyületek felfedezése volt a CAMD első alkalmazása a TRI anyagkutatásában, de ez csupán a jéghegy csúcsa a zárt hurkú kutatással általánosságban lehetségesek tekintetében. Most, hogy új, stabil vegyületeket fedezhetünk fel, a következő egyértelmű lépés az, hogy irányítsuk a CAMD-t, hogy találjon olyanokat, amelyek hasznos funkcionális tulajdonságokkal is rendelkeznek. Az ilyen autonóm kutatási rendszerek egyre inkább elterjednek az anyagtudományban, és segíthetik a kutatókat abban, hogy olyan összetett, nagydimenziós tervezési terekben, amelyek egyszerű kereséssel nem tárhatók fel, olyan anyagokkal kapcsolatos kísérleteket tervezzenek és tereljenek el, amelyek egy célt teljesítenek.
Maradjon velünk, hogy a közeljövőben további új és izgalmas pályázatokat hallhasson tőlünk!
¹ Ez egy viszonylag régi kérdés. A Dendral az egyik korábbi számítógép-alapú felfedezőrendszer volt; egy „szakértői rendszer”, amely a szerves molekulák felfedezésére összpontosított: „https://en.wikipedia.org/wiki/Dendral”. Herbert Simon pályafutása jelentős részét annak szentelte, hogyan automatizálható a tudományos felfedezés folyamata. Ez egy jó példa az e területen végzett számos hozzájárulásának egyikére: https://doi.org/10.1016/0364-0213(88)90020-1
² Ezekre a DFT-adatbázisokra példa a Materials Project ("materialsproject.org"), az OQMD ("oqmd.org") és az AFLOW ("aflow.org"), és sok más új adatbázis is megjelent az elmúlt néhány évben.
³ Megtudhatja, hogyan fordítják le ezekben a diagramokban a koordinátákat elemösszetételre itt és itt.
⁴ Hogy egy kicsit pontosabbak legyünk, ezek a stabil vegyületek új „alapállapotok”, azaz energetikailag kedvezőbbek, mint a rendszer többi fázisának bármely kombinációja!
