‘Ik moet de eerste succesvolle voorspelling van een chemisch product of een syntheseroute door een AI-algoritme nog zien, die ik niet zelf ook bedacht zou hebben’, zei een collega me onlangs sceptisch over de voortrazende AI-revolutie. In de meeste (an)organische laboratoria lijkt de AI inderdaad nog weinig grond aan de voeten te krijgen. Maar voor hoe lang nog?

Afgelopen november presenteerde Google Deepmind in Nature hun GNoME project, waarmee de ontwikkelaars de kristalstructuren van 2,2 miljoen nieuwe anorganische materialen ontdekten. Nog geen week later volgde Microsoft AI4Science op ArXiv met MatterGen waarmee ze 1 miljoen nieuwe materialen genereerden. ‘Een ware doorbraak en een revolutie voor de ontwikkeling van nieuwe materialen’, jubelden technische recensies in onder meer Wired, Science and Time.

‘De explosieve schaalvergroting begint door te dringen’

Het aantal tot dusver door de mens gemaakte anorganische kristalstructuren is circa 20.000. Tel daar nog 28.000 tot nog toe computationeel voorspelde, maar nog niet gemaakte, materialen bij op, en de explosieve schaalvergroting van de nieuwe uitbreiding door de AI-algoritmen begint door te dringen. Deepmind heeft ‘slechts’ de 381.000 meest stabiele structuren toegevoegd aan de International Crystal Structure Database ICSD.

Stabieler

Waarom kunnen GNoME en MatterGen zoveel meer, en vooral zoveel sneller, nieuwe structuren produceren dan tot nog toe mogelijk was? GNoME genereert nieuwe materialen door variaties te maken op bestaande structuren, bijvoorbeeld door elementen te vervangen, en daarvan de energie te bepalen met NequiP, een bekend neuraal netwerk dat de kwantumchemische (DFT) energie kan voorspellen. Hoe lager de energie, hoe stabieler het materiaal. MatterGen is gebaseerd op een ander AI-algoritme, ‘denoising diffusion’, dat succesvol werd in programma’s om fotorealistische en artistieke plaatjes te genereren zoals Dall-E en Midjourney. Een extra voordeel van deze techniek is dat het structuren kan maken met bepaalde eigenschappen, bijvoorbeeld met een gewenste symmetrie of dichtheid.

Robotlab

Nieuwe materialen voorspellen is één ding, ze vervolgens maken is nog een hele uitdaging. Deepmind gaf 58 voorspelde GNoME structuren aan een volautomatisch robotlab in het Lawrence Berkeley National Laboratory, die 41 daarvan wist te maken (hoewel daar wel wat op aan te merken blijkt). Maar honderden duizenden structuren voorspellen en ze vervolgens proberen te maken is gewoon niet praktisch. De volgende AI challenge is dus het genereren van een selecte set van bruikbare materialen met optimale eigenschappen. Desalniettemin betekenen GNoME en MatterGen een niet te onderschatten kentering voor de ontwikkeling van materialen, die bovendien tekenend is voor wat we nog meer mogen verwachten van AI in de chemie in de (nabije) toekomst. Toch zullen sommige collega’s misschien nog lang sceptisch blijven over het nut van AI in hun vakgebied…