Model kecerdasan buatan generatif telah digunakan untuk membuat perpustakaan besar berisi materi teoretis yang dapat membantu memecahkan semua jenis masalah. Kini, para ilmuwan hanya perlu memikirkan cara membuatnya.
Dalam banyak kasus, sintesis bahan tidak sesederhana mengikuti resep di dapur. Faktor-faktor seperti suhu dan lamanya pemrosesan dapat menghasilkan perubahan besar pada sifat material yang meningkatkan atau merusak kinerjanya. Hal ini telah membatasi kemampuan peneliti untuk menguji jutaan material yang dihasilkan model yang menjanjikan.
Kini, para peneliti MIT telah menciptakan model AI yang memandu para ilmuwan melalui proses pembuatan material dengan menyarankan rute sintesis yang menjanjikan. Dalam makalah barunya, mereka menunjukkan bahwa model tersebut memberikan akurasi canggih dalam memprediksi jalur sintesis yang efektif untuk kelas bahan yang disebut zeolit, yang dapat digunakan untuk meningkatkan proses katalisis, penyerapan, dan pertukaran ion. Mengikuti sarannya, tim mensintesis bahan zeolit baru yang menunjukkan peningkatan stabilitas termal.
Para peneliti yakin model baru mereka dapat memecahkan hambatan terbesar dalam proses penemuan material.
“Sebagai analogi, kita tahu jenis kue apa yang ingin kita buat, tapi saat ini kita tidak tahu cara membuat kuenya,” kata penulis utama Elton Pan, kandidat PhD di Departemen Ilmu dan Teknik Material (DMSE) MIT. “Sintesis material saat ini dilakukan melalui keahlian domain dan trial and error.”
Makalah yang menjelaskan pekerjaan tersebut muncul hari ini di Ilmu Komputasi Alam. Bergabung dengan Pan di atas kertas adalah Soonhyoung Kwon ’20, PhD ’24; Postdoc DMSE Sulin Liu; mahasiswa PhD teknik kimia Mingrou Xie; Postdoc DMSE Alexander J. Hoffman; Asisten Peneliti Yifei Duan SM ’25; Mahasiswa tamu DMSE Thorben Prein; Kandidat PhD DMSE Killian Sheriff; Profesor MIT Robert T. Haslam di bidang Teknik Kimia Yuriy Roman-Leshkov; Profesor Universitas Politeknik Valencia Manuel Moliner; Profesor Pengembangan Karir MIT Paul M. Cook Rafael Gómez-Bombarelli; dan Profesor Teknik MIT Jerry McAfee Elsa Olivetti.
Belajar membuat kue
Investasi besar-besaran pada AI generatif telah mendorong perusahaan seperti Google dan Meta untuk membuat database besar berisi resep bahan yang, setidaknya secara teoritis, memiliki sifat seperti stabilitas termal tinggi dan penyerapan gas secara selektif. Namun pembuatan bahan-bahan tersebut memerlukan eksperimen cermat berminggu-minggu atau berbulan-bulan yang menguji suhu reaksi tertentu, waktu, rasio prekursor, dan faktor lainnya.
“Orang-orang mengandalkan intuisi kimiawi mereka untuk memandu proses tersebut,” kata Pan. “Manusia itu linier. Jika ada lima parameter, kita mungkin menjaga empat parameter tetap konstan dan memvariasikan salah satu parameter secara linier. Namun mesin jauh lebih baik dalam melakukan penalaran dalam ruang berdimensi tinggi.”
Proses sintesis penemuan material saat ini sering kali memakan waktu paling lama dalam perjalanan material mulai dari hipotesis hingga penggunaan.
Untuk membantu para ilmuwan menavigasi proses tersebut, para peneliti MIT melatih model AI generatif pada lebih dari 23.000 resep sintesis material yang dijelaskan dalam makalah ilmiah selama 50 tahun. Para peneliti secara berulang menambahkan “noise” acak ke dalam resep selama pelatihan, dan model belajar menghilangkan noise dan mengambil sampel dari noise acak untuk menemukan rute sintesis yang menjanjikan.
Hasilnya adalah DiffSyn, yang menggunakan pendekatan AI yang dikenal sebagai difusi.
“Model difusi pada dasarnya adalah model AI generatif seperti ChatGPT, tetapi lebih mirip model pembuatan gambar DALL-E,” kata Pan. “Selama inferensi, ini mengubah kebisingan menjadi struktur yang bermakna dengan mengurangi sedikit kebisingan di setiap langkah. Dalam hal ini, ‘struktur’ adalah jalur sintesis untuk material yang diinginkan.”
Ketika seorang ilmuwan yang menggunakan DiffSyn memasuki struktur material yang diinginkan, model tersebut menawarkan beberapa kombinasi suhu reaksi, waktu reaksi, rasio prekursor, dan banyak lagi yang menjanjikan.
“Pada dasarnya ini memberi tahu Anda cara membuat kue,” kata Pan. “Anda sudah memikirkan sesuatu, Anda memasukkannya ke dalam model, model tersebut mengeluarkan resep sintesis. Ilmuwan dapat memilih jalur sintesis mana pun yang mereka inginkan, dan ada cara sederhana untuk mengukur jalur sintesis yang paling menjanjikan dari apa yang kami sediakan, yang kami tunjukkan dalam makalah kami.”
Untuk menguji sistem mereka, para peneliti menggunakan DiffSyn untuk menyarankan jalur sintesis baru untuk zeolit, suatu kelas material yang kompleks dan membutuhkan waktu untuk terbentuk menjadi material yang dapat diuji.
“Zeolit memiliki ruang sintesis berdimensi sangat tinggi,” kata Pan. “Zeolit juga cenderung membutuhkan waktu berhari-hari atau berminggu-minggu untuk mengkristal, begitulah dampaknya [of finding the best synthesis pathway faster] jauh lebih tinggi dibandingkan bahan lain yang mengkristal dalam hitungan jam.”
Para peneliti mampu membuat material zeolit baru menggunakan jalur sintesis yang disarankan oleh DiffSyn. Pengujian selanjutnya mengungkapkan material tersebut memiliki morfologi yang menjanjikan untuk aplikasi katalitik.
“Para ilmuwan telah mencoba berbagai resep sintesis satu per satu,” kata Pan. “Hal ini membuatnya sangat memakan waktu. Model ini dapat mengambil sampel 1.000 sampel dalam waktu kurang dari satu menit. Model ini memberi Anda perkiraan awal yang sangat baik mengenai resep sintesis untuk bahan yang benar-benar baru.”
Memperhitungkan kompleksitas
Sebelumnya, para peneliti telah membuat model pembelajaran mesin yang memetakan suatu bahan ke dalam satu resep. Pendekatan tersebut tidak memperhitungkan bahwa ada cara berbeda untuk membuat bahan yang sama.
DiffSyn dilatih untuk memetakan struktur material ke berbagai kemungkinan jalur sintesis. Pan mengatakan hal itu lebih selaras dengan realitas eksperimental.
“Ini adalah perubahan paradigma dari pemetaan satu-ke-satu antara struktur dan sintesis menjadi pemetaan satu-ke-banyak,” kata Pan. “Itulah alasan besar mengapa kami mencapai kenaikan yang kuat pada benchmark.”
Ke depannya, para peneliti yakin pendekatan ini dapat digunakan untuk melatih model lain yang memandu sintesis material di luar zeolit, termasuk kerangka logam-organik, padatan anorganik, dan material lain yang memiliki lebih dari satu kemungkinan jalur sintesis.
“Pendekatan ini dapat diperluas ke materi lain,” kata Pan. “Saat ini, hambatannya adalah dalam menemukan data berkualitas tinggi untuk kelas material yang berbeda. Namun zeolit itu rumit, jadi saya bisa membayangkan mereka mendekati batas atas kesulitan. Pada akhirnya, tujuannya adalah menghubungkan sistem cerdas ini dengan eksperimen otonom di dunia nyata, dan penalaran agen pada umpan balik eksperimental untuk secara dramatis mempercepat proses desain material.”
Pekerjaan ini didukung oleh MIT International Science and Technology Initiatives (MISTI), National Science Foundation, Generalitat Vaslenciana, Office of Naval Research, ExxonMobil, dan Agency for Science, Technology and Research di Singapura.
