從預測到生產：麻省理工AI系統助力新材料合成

AI系統在預測新材料結構方面已經取得長足進步。然而，能否在實驗室中真正實現材料合成呢？因為合成過程要微妙得多——這恰恰是人類的強項。AI可以基于數據進行可靠的預測，并輸出在特定條件下最穩定、最有用的晶體結構。但當涉及到在適當溫度、特定壓力下正確混合化學試劑，并讓實驗運行一定時長時，情況就復雜得多。

現在情況可能改變。麻省理工（MIT）研究人員開發了一種生成式人工智能（GenAI）系統DiffSyn，它從歷史材料合成數據中學習，預測可行的合成路徑。其能力超出了結構屬性范圍。研究人員聲稱，它能夠建模生產目標材料所需的實驗步驟序列，本質上是將結構轉化為工藝流程。該模型通過識別歷史上成功形成材料的變量組合，縮小了實驗搜索空間。它并非替代人類科學家，而是充當智能實驗規劃助手。研究人員認為，DiffSyn有望打破材料發現過程中最大的瓶頸。

“打個比方，我們知道自己想做什么蛋糕，但目前還不知道如何烤蛋糕�！闭撐牡谝蛔髡�、MIT材料科學與工程系（DMSE）博士生Elton Pan說，“材料合成目前依賴于領域專業知識和試錯。”

借助新模型，研究團隊成功合成了一種熱穩定性更好的新型沸石材料。他們特意選擇沸石來測試模型，因為這類材料結構復雜、對合成條件極其敏感，并且存在許多理論框架但從未在現實中被制備出來。沸石的難點不僅在于結構，還在于形成過程中涉及的相互作用變量數量眾多。傳統實驗室方法傾向于逐一探索這些變量，這限制了對整個參數空間進行測試的現實可能性。

“人們依賴化學直覺來指導過程，”Pan說，“人類是線性的。如果有五個參數，我們可能會保持其中四個不變，并線性地改變其中一個。但機器在高維空間中進行推理的能力要強得多�！�

“擴散模型本質上是一種像ChatGPT一樣的GenAI模型，但更像是DALL-E圖像生成模型�！盤an說，“在推理過程中，它通過每一步減去少量噪聲，將噪聲轉化為有意義的結構。在這里，‘結構’就是目標材料的合成路徑�！�

研究人員在超過23,000份公開發表的合成配料清單上訓練了模型，這些清單橫跨約50年。他們故意在這些清單中添加隨機擾動，并教系統逐步重建它們。這樣一來，模型學會了從隨機性走向可行的合成方案。這種方法被稱為擴散，是DiffSyn的基礎。

“它基本上告訴你如何烤你的蛋糕�！盤an說，“你心中有蛋糕的構想，把它輸入模型，模型就會吐出合成配方�？茖W家可以選擇任何一條合成路徑，而且有簡單的方法從我們提供的結果中量化出最有前景的路徑，這在我們的論文中也有展示�！�

盡管該模型的測試范圍有限，研究人員仍有信心，這種方法可以用來追蹤其他指導非沸石材料合成的模型。

“這種方法可以擴展到其他材料，”Pan說，“現在的瓶頸是為不同材料類別找到高質量數據。但沸石很復雜，我可以想象它們接近難度的上界。最終目標是將這些智能系統與自主現實世界實驗連接起來，并對實驗反饋進行主體推理，從而大幅加速材料設計過程。”

如果像DiffSyn這樣的系統被證明可靠，它們將顯著縮短計算發現與實驗驗證之間的差距。研究人員指出，系統的性能在很大程度上取決于歷史合成數據的質量和多樣性。文獻有限的材料可能仍然難以建模。然而，沸石的成功示范表明，AI可以超越結構預測，開始編碼程序性的科學知識。