Pembelajaran mesin yang digunakan untuk memprediksi sintesis materi novel yang kompleks

AI menyajikan peta jalan untuk didefinisikan bahan baru untuk setiap kebutuhan, dengan implikasi dalam energi hijau dan pengurangan limbah.

Para ilmuwan dan institusi mendedikasikan lebih banyak sumber daya setiap tahun untuk penemuan bahan baru untuk bahan bakar dunia. Ketika sumber daya alam berkurang dan permintaan akan produk dengan nilai yang lebih tinggi dan kinerja yang maju tumbuh, para peneliti semakin beralih ke bahan nano.

Nanopartikel telah menemukan jalan mereka ke dalam aplikasi mulai dari penyimpanan energi dan konversi ke komputasi kuantum dan terapi. Tetapi mengingat kemampuan nanokimia komposisi dan struktural yang luas memungkinkan, pendekatan eksperimental serial untuk mengidentifikasi bahan baru memaksakan batasan yang tidak dapat diatasi pada penemuan.

Sekarang, para peneliti di Northwestern University dan Toyota Research Institute (TRI) telah berhasil menerapkan pembelajaran mesin untuk memandu sintesis bahan nano baru, menghilangkan hambatan yang terkait dengan penemuan bahan. Algoritme yang sangat terlatih menyisir kumpulan data yang ditentukan untuk secara akurat memprediksi struktur baru yang dapat memicu proses dalam industri energi bersih, kimia, dan otomotif.

“Kami meminta model untuk memberi tahu kami campuran apa yang terdiri dari hingga tujuh elemen yang akan membuat sesuatu yang belum pernah dibuat sebelumnya,” kata Chad Mirkin, seorang ahli nanoteknologi Northwestern dan penulis makalah yang sesuai. “Mesin memprediksi 19 kemungkinan, dan, setelah menguji masing-masing secara eksperimental, kami menemukan 18 prediksi benar.”

Studi, “Desain akselerasi pembelajaran mesin dan sintesis heterostruktur polielemen,” diterbitkan dalam jurnal Science Advances.

Mirkin adalah Profesor Kimia George B. Rathmann di Sekolah Tinggi Seni dan Sains Weinberg; seorang profesor teknik kimia dan biologi, teknik biomedis, dan ilmu material dan teknik di Sekolah Teknik McCormick; dan seorang profesor kedokteran di Fakultas Kedokteran Feinberg. Dia juga adalah direktur pendiri Institut Internasional untuk Nanoteknologi.

Memetakan genom material

Menurut Mirkin, yang membuat hal ini begitu penting adalah akses ke kumpulan data yang besar dan berkualitas yang belum pernah ada sebelumnya karena model pembelajaran mesin dan algoritme AI hanya dapat sebaik data yang digunakan untuk melatihnya.

Alat pembuat data, yang disebut “Megalibrary,” ditemukan oleh Mirkin dan secara dramatis memperluas bidang pandang peneliti. Setiap Megalibrary menampung jutaan atau bahkan miliaran struktur nano, masing-masing dengan bentuk, struktur, dan komposisi yang sedikit berbeda, semuanya dikodekan secara posisi pada chip berukuran dua kali dua sentimeter persegi. Sampai saat ini, setiap chip mengandung lebih banyak bahan anorganik baru daripada yang pernah dikumpulkan dan dikategorikan oleh para ilmuwan.

Tim Mirkin mengembangkan Megalibraries dengan menggunakan teknik (juga ditemukan oleh Mirkin) yang disebut polimer pena litografi, alat nanolitografi paralel masif yang memungkinkan deposisi khusus situs dari ratusan ribu fitur setiap detik.

Saat memetakan genom manusia, para ilmuwan ditugaskan untuk mengidentifikasi kombinasi empat basa. Tetapi “genom material” yang identik secara longgar mencakup kombinasi nanopartikel dari 118 elemen yang dapat digunakan dalam tabel periodik, serta parameter bentuk, ukuran, morfologi fase, struktur kristal, dan banyak lagi. Membangun subset nanopartikel yang lebih kecil dalam bentuk Megalibraries akan membawa para peneliti lebih dekat untuk menyelesaikan peta lengkap genom material.

Mirkin mengatakan bahwa bahkan dengan sesuatu yang mirip dengan “genom” bahan, mengidentifikasi cara menggunakan atau melabelinya memerlukan alat yang berbeda.

“Bahkan jika kita bisa membuat bahan lebih cepat dari siapa pun di bumi, itu masih setetes air di lautan kemungkinan,” kata Mirkin. “Kami ingin mendefinisikan dan menambang genom material, dan cara kami melakukannya adalah melalui kecerdasan buatan.”

Aplikasi pembelajaran mesin secara ideal cocok untuk mengatasi kerumitan dalam mendefinisikan dan menambang genom materi, tetapi dibatasi oleh kemampuan untuk membuat kumpulan data untuk melatih algoritme di luar angkasa. Mirkin mengatakan kombinasi Megalibraries dengan pembelajaran mesin akhirnya dapat menghilangkan masalah itu, yang mengarah pada pemahaman tentang parameter apa yang mendorong sifat material tertentu.

‘Bahan yang tidak dapat diprediksi oleh ahli kimia’

Jika Megalibraries menyediakan peta, machine learning menyediakan legenda.

Menggunakan Megalibraries sebagai sumber data bahan berkualitas tinggi dan berskala besar untuk melatih algoritma kecerdasan buatan (AI), memungkinkan peneliti untuk menjauh dari “intuisi kimia yang tajam” dan eksperimen serial yang biasanya menyertai proses penemuan bahan, menurut Mirkin.

“Northwestern memiliki kemampuan sintesis dan kemampuan karakterisasi canggih untuk menentukan struktur material yang kami hasilkan,” kata Mirkin. “Kami bekerja dengan tim AI TRI untuk membuat input data untuk algoritme AI yang pada akhirnya membuat prediksi tentang bahan yang tidak dapat diprediksi oleh ahli kimia.”

Dalam studi tersebut, tim mengumpulkan data struktural Megalibrary yang dihasilkan sebelumnya yang terdiri dari nanopartikel dengan komposisi, struktur, ukuran, dan morfologi yang kompleks. Mereka menggunakan data ini untuk melatih model dan memintanya untuk memprediksi komposisi empat, lima, dan enam elemen yang akan menghasilkan fitur struktural tertentu. Dalam 19 prediksi, model machine learning memprediksi materi baru dengan benar sebanyak 18 kali — tingkat akurasi sekitar 95%.

Dengan sedikit pengetahuan tentang kimia atau fisika, hanya dengan menggunakan data pelatihan, model ini mampu memprediksi secara akurat struktur rumit yang belum pernah ada di bumi.

“Seperti yang disarankan oleh data ini, penerapan pembelajaran mesin, dikombinasikan dengan teknologi Megalibrary, mungkin menjadi jalan untuk akhirnya menentukan genom material,” kata Joseph Montoya, ilmuwan peneliti senior di TRI.

Nanopartikel logam menjanjikan untuk mengkatalisis reaksi kritis industri seperti evolusi hidrogen, karbon dioksida (CO₂) reduksi dan reduksi dan evolusi oksigen. Model dilatih pada dataset besar yang dibangun di Northwestern untuk mencari nanopartikel multi-logam dengan parameter yang ditetapkan di sekitar fase, ukuran, dimensi, dan fitur struktural lainnya yang mengubah sifat dan fungsi nanopartikel.

Teknologi Megalibrary juga dapat mendorong penemuan di banyak bidang penting untuk masa depan, termasuk daur ulang plastik, sel surya, superkonduktor, dan qubit.

Alat yang bekerja lebih baik dari waktu ke waktu

Sebelum munculnya megalibarium, alat pembelajaran mesin dilatih pada kumpulan data yang tidak lengkap yang dikumpulkan oleh orang yang berbeda pada waktu yang berbeda, membatasi daya prediksi dan kemampuan generalisasinya. Megalibraries memungkinkan alat pembelajaran mesin melakukan yang terbaik — belajar dan menjadi lebih pintar dari waktu ke waktu. Mirkin mengatakan model mereka hanya akan menjadi lebih baik dalam memprediksi bahan yang benar karena diberi lebih banyak data berkualitas tinggi yang dikumpulkan dalam kondisi yang terkendali.

“Menciptakan kemampuan AI ini berarti mampu memprediksi material yang dibutuhkan untuk aplikasi apa pun,” kata Montoya. “Semakin banyak data yang kita miliki, semakin besar kemampuan prediksi yang kita miliki. Saat Anda mulai melatih AI, Anda mulai dengan melokalkannya pada satu set data, dan, seiring pembelajarannya, Anda terus menambahkan lebih banyak data — ini seperti membawa seorang anak dan beralih dari taman kanak-kanak ke Ph.D. Pengalaman dan pengetahuan gabungan pada akhirnya menentukan seberapa jauh mereka bisa melangkah.”

Tim sekarang menggunakan pendekatan untuk menemukan katalis yang penting untuk proses pengisian bahan bakar di industri energi bersih, otomotif, dan kimia. Mengidentifikasi katalis hijau baru akan memungkinkan konversi produk limbah dan bahan baku yang berlimpah menjadi bahan yang berguna, generasi hidrogen, pemanfaatan karbon dioksida dan pengembangan sel bahan bakar. Memproduksi katalis juga dapat digunakan untuk menggantikan bahan mahal dan langka seperti iridium, logam yang digunakan untuk menghasilkan hidrogen hijau dan CO₂ produk reduksi.

Sumber: nuniversitas barat laut