Die Effizienz Der Retrosynthese Anorganischer Materialien Hat Stark Zugenommen. Ein Koreanisches Team Startete Retrieval-Retro Und Die Ergebnisse Wurden Für NeurIPS 2024 Ausgewählt
Im November 2023 hielten Wissenschaftler am Lawrence Berkeley National Laboratory in den USA angesichts eines Roboterarms den Atem an – diese KI-Materialsyntheseplattform namens A-Lab hatte gerade ihren ersten Synthesefehler erlebt, nachdem sie erfolgreich nacheinander 41 neue anorganische Materialien hergestellt hatte. Als die rote Warnleuchte aufleuchtete, brach im Labor Jubel aus. Professor Gerbrand Ceder, der Projektleiter, erklärte: „Dieser Fehler ist wertvoller als der Erfolg.Es deckt den blinden Fleck der KI beim Verständnis der Lösungsmitteldynamik auf.Dies ist ein kritischer Moment in der Koevolution von Mensch und Maschine.“
Diese scheinbar ungewöhnliche Feier spiegelt einen Paradigmenwechsel im Bereich der Synthese anorganischer Materialien wider, wie es ihn seit einem Jahrhundert nicht mehr gegeben hat. Seit der organische Chemiker EJ Corey in den 1960er Jahren die Methode der retrosynthetischen Analyse vorschlug, suchten anorganische Chemiker nach ihrem eigenen "Heiligen Gral" -Wie können wir komplexe anorganische Materialien in umsetzbare Syntheseschritte zurückentwickeln, genau wie wir Legosteine auseinandernehmen?
Dieser Traum nahm im Jahr 2020 eine positive Wendung: Das Team um Akademiker Yu Shuhong von der University of Science and Technology of China gab in der Zeitschrift Nature Nanotechnology bekannt, dass es maschinelles Lernen zur Vorhersage von Energieunterschieden an Grenzflächen eingesetzt und erfolgreich magnetische Materialien an bestimmten Stellen in Halbleiter-Nanodrähte „geschnitzt“ habe.Diese Technologie, für deren Entwicklung in der akademischen Gemeinschaft einst 20 Jahre experimenteller Entwicklung erforderlich waren, wurde von der KI in nur drei Monaten erfolgreich geknackt.
Die Welle der Veränderung kommt schneller als erwartet. Im Jahr 2023Google DeepMind hat die GNoME-Plattform gestartet.In nur 17 Tagen wurden 380 stabile anorganische Kristalle untersucht, von denen 52 experimentell verifiziert wurden. Noch erstaunlicher ist, dass das Team der Northwestern Polytechnical University bei der Entwicklung von Keramikbeschichtungen für RaumfahrzeugeKI leitet den kontraintuitiven Weg „Erst ein Mikrorissnetzwerk aufbauen und es dann mit Heilmittel füllen“ um.——Diese „verlustverhindernde“ Strategie erhöht die Temperaturbeständigkeit des Materials um 300 °C, genau wie das Schmieden einer selbstreparierenden „Panzerungsschuppe“ für das Flugzeug.
Heute vollzieht sich hinter den Abzugshauben von Laboren auf der ganzen Welt still und leise eine doppelte Revolution: Die KI lernt nicht nur aus den synthetischen Erfahrungen des Menschen, sondern erforscht und schafft auch neue Herstellungswege, die die menschliche Intuition übertreffen. kürzlich,Das Korea Research Institute of Chemical Technology (KRICT) und das Korea Advanced Institute of Science and Technology (KAIST) haben gemeinsam eine Methode zur Planung der anorganischen Retrosynthese namens Retrieval-Retro vorgeschlagen.Diese Methode fördert erfolgreich die Effizienz und Genauigkeit der Synthese anorganischer Materialien durch die Kombination thermodynamischer Beziehungen und Aufmerksamkeitsmechanismen. Seine herausragende Leistung bei der Identifizierung neuer synthetischer Formeln hat dem Bereich der Materialforschung neue Hoffnung gegeben und wird voraussichtlich in der zukünftigen Forschung eine größere Rolle spielen.
Die entsprechenden Ergebnisse mit dem Titel „Retrieval-Retro: Retrieval-based Inorganic Retrosynthesis with Expert Knowledge“ wurden für NeurIPS 2024 ausgewählt, die führende akademische Konferenz im Bereich KI.
Link zum Artikel:
https://doi.org/10.48550/arXiv.2410.21341
Link zum Herunterladen des Datensatzes:
Open-Source-Adresse:
https://github.com/HeewoongNoh/Retrieval-Retro
Anorganische Retrosynthese: KI-Algorithmen sind stark von experimentellem Ausprobieren abhängig und müssen noch verbessert werden
In der langen Geschichte der Materialwissenschaft war Versuch und Irrtum die einzige Möglichkeit, das Unbekannte zu erforschen. Wissenschaftler passten Formeln wiederholt an und feuerten Proben ab, wie Blinde einen Elefanten berühren, bis sie zufällig den optimalen Leistungspunkt erreichten. Dieses Muster wurde erstmals im Bereich der organischen Synthese durchbrochen, als die retrosynthetische Analyse entstand: 1964 schlug EJ Corey vor, das Zielmolekül wie ein Puzzle in Synthone zu zerlegen und den Syntheseweg durch logisches Denken statt durch blinde Versuche zu finden. Genau wie bei der Lösung des Problems der Benzofuransynthese müssen Chemiker nicht mehr alle möglichen Kombinationen von Phenolderivaten testen. Stattdessen können sie den eisenkatalysierten Kupplungsweg von Phenol und 1,3-Dicarbonylverbindungen genau lokalisieren, indem sie die Spaltstelle der wichtigen CO-Bindung identifizieren. Diese auf dem intelligenten Aufbrechen chemischer Bindungen basierende Revolution im Denken hat es der organischen Synthese ermöglicht, vom Empirismus in das Zeitalter des rationalen Designs überzugehen.
Wenn sich das Schlachtfeld jedoch der anorganischen Welt zuwendet, werden die Dinge viel komplizierter.Erste,Anorganische Verbindungen beinhalten komplexere Bindungsmechanismen und ihre Struktur-Eigenschafts-Beziehungen lassen sich nur schwer modular über funktionelle Gruppen wie bei organischen Molekülen analysieren.Zweitens,Anorganische Synthesereaktionen gehen häufig mit der Entwicklung mehrphasiger Grenzflächen und der Konkurrenz mit metastabilen Zuständen einher und ihre Kinetik ist schwieriger vorherzusagen als Lösungsreaktionen in organischen Systemen.Außerdem,Die Berechnungsgenauigkeit bestehender Methoden der Computerchemie für Schlüsselparameter wie die Stabilisierungsenergie anorganischer Kristallfelder und die Defektbildungsenergie reicht nicht aus, um eine zuverlässige Rückpfadableitung zu unterstützen. Dies hat dazu geführt, dass die Forschung zur anorganischen Retrosynthese noch immer stark von experimentellem Ausprobieren abhängt und die Konstruktion ihres theoretischen Rahmens weitaus komplexer ist als die Forschung zu organischen Systemen.
Heute eröffnen sich durch die Hinzunahme der KI-Technologie neue Wege in diesem Bereich. Beispielsweise überwinden generative kontradiktorische Netzwerke die Grenzen menschlicher Erfahrung und können innovative Strukturen wie Perowskitgitter mit besonderen elektromagnetischen Eigenschaften entwerfen. Die Quanten-Monte-Carlo-Methode dringt tief in die mikroskopische Welt ein und analysiert den Quantenverschränkungsmechanismus von Cooper-Paaren in Hochtemperatur-Supraleitern. Um nicht übertroffen zu werden, haben Graph-Neuronale Netzwerke durch die Entschlüsselung der Regeln der Atomorbitalreorganisation nach und nach ein für anorganische Materialien einzigartiges Quantenreaktionsregelsystem aufgebaut.
Mit der kontinuierlichen Weiterentwicklung der KI-Technologie in diesen Bereichen werden die Schwierigkeiten der anorganischen Retrosynthese allmählich überwunden. In der Welle der technologischen IterationFaltungsvariations-Autoencoder sind die ersten, die ein umgekehrtes Design von Materialien ermöglichen.Es bringt Licht in dieses Feld. Anschließend führte das ElemwiseRetro-Modell außerdem eine Vorläufervorlagenbibliothek ein, um die Vorhersagegenauigkeit zu optimieren. Obwohl die bestehenden Algorithmen große Fortschritte gemacht haben,Allerdings konnte die Entscheidungskompetenz von Chemikern, die „auf ähnliche Materialien zurückgreifen“, bisher nicht vollständig reproduziert werden.Mit anderen Worten: Die KI muss noch lernen, wie menschliche Chemiker denken, um Materialien präziser entwerfen zu können.
Um diesen Mangel auszugleichen, hat ein Forschungsteam der Seoul National University eine neue Methode zur Planung der anorganischen Retrosynthese namens Retrieval-Retro entwickelt.Ziel ist es, die Entdeckung und Synthese von Materialien zu beschleunigen, indem Vorläuferinformationen mithilfe fortschrittlicher Abruftechniken und Aufmerksamkeitsmechanismen effizient identifiziert und extrahiert werden.Umfangreiche Experimente zeigen, dass Retrieval-Retro in verschiedenen Szenarien eine hervorragende Leistung zeigt, insbesondere im realistischeren und anspruchsvolleren Szenario der Jahressegmentierung. Seine herausragende Fähigkeit, neue Syntheseformeln für anorganische Materialien zu entdecken, zeigt deutlich sein enormes Anwendungspotenzial in der praktischen Materialforschung.
Retrieval-Retro: Ein innovativer Ansatz zur Planung anorganischer Retrosynthese
Der Kern von Retrieval-Retro besteht in der Verwendung zweier sich ergänzender Retriever——Masked Precursor Completion (MPC) Retriever und Neural Reaction Energy (NRE) Retriever, die Vorläuferinformationen basierend auf 33.343 Syntheseformeln für anorganische Materialien extrahieren, die aus 24.304 materialwissenschaftlichen Arbeiten als Referenzmaterialien extrahiert wurden.
Link zum Herunterladen des Datensatzes:
Der MPC-Retriever identifiziert Referenzmaterialien mit ähnlichen Vorläufern wie das Zielmaterial, indem er die Abhängigkeiten zwischen den Vorläufern lernt. Es ruft die K ähnlichsten Materialien ab, indem es die Kosinusähnlichkeit zwischen dem Zielmaterial und allen Materialien in der Wissensdatenbank berechnet.Mit dieser Methode lässt sich die Korrelation zwischen Vorläufern und Zielmaterialien effektiv erfassen und liefert wichtige Hinweise für die anschließende Syntheseplanung.
Obwohl der MPC-Retriever in der Lage ist, ähnliche Sätze von Vorläufern zu identifizieren, ignoriert er die thermodynamischen Beziehungen zwischen Materialien, die bei der anorganischen Synthese von entscheidender Bedeutung sind. Zu diesem Zweck basiert der NRE-Retriever auf der thermodynamischen Antriebskraft,Das Referenzmaterial wird unter Berücksichtigung der Gibbs-Freienergie (∆G) zwischen dem Zielmaterial und dem Vorläuferensemble ausgewählt.Bei konstantem Druck und konstanter Temperatur zeigt ein negatives ∆G an, dass die Synthesereaktion spontan erfolgen kann. Je höher der ∆G-Wert, desto höher ist die Möglichkeit, dass die Vorläufersammlung das Zielmaterial synthetisieren kann. Der NRE-Retriever verwendet mittels DFT berechnete Daten zur Erzeugungsenergie und experimentelle Daten zur Erzeugungsenergie durch Vortrainings- und Feinabstimmungsmechanismen, um die Erzeugungsenergie von Zielmaterialien und Referenzmaterialien vorherzusagen und so das thermodynamisch günstigste Referenzmaterial auszuwählen.
Im Prozess der Extraktion von VorläuferinformationenRetrieval-Retro verwendet Self-Attention- und Cross-Attention-Mechanismen.Durch die Kodierung des Zielmaterials und des Referenzmaterials durch den Kompositionsgraphen-Encoder ist das Modell in der Lage, die Darstellung des Referenzmaterials durch den Self-Attention-Mechanismus zu verbessern und die Darstellung des Zielmaterials mit der verbesserten Darstellung des Referenzmaterials durch den Cross-Attention-Mechanismus zusammenzuführen, wodurch implizit die Vorläuferinformationen extrahiert werden. Mit dieser Methode können nicht nur die Informationen der Referenzmaterialien voll ausgenutzt werden, sondern auch die Einschränkungen vermieden werden, die sich aus der direkten Verwendung der Vorläuferinformationen der Referenzmaterialien ergeben. Dadurch wird die Fähigkeit zum Modelllernen und zur Ableitung neuer Syntheseformeln erheblich verbessert.
Um die Wirksamkeit von Retrieval-Retro zu überprüfen, verglichen die Forscher es mit mehreren bestehenden anorganischen Retrosynthesemethoden und Basismethoden. Zu diesen Methoden gehören auf der Materialzusammensetzung basierende Repräsentationslernmethoden wie Roost und CrabNet sowie neu vorgeschlagene Basismethoden wie Composition MLP und Graph Network. Die experimentellen Ergebnisse zeigen, dassRetrieval-Retro übertrifft das Basismodell in allen Testszenarien.Insbesondere im jahresbasierten Modus ist die Leistungssteigerung deutlicher. Dies zeigt, dass Retrieval-Retro nicht nur in der Theorie innovativ ist, sondern auch in der praktischen Anwendung eine hohe Anpassungsfähigkeit und Wirksamkeit aufweist.
Die ultimative Form der Materialalchemie: Wenn KI beginnt, das Periodensystem in Frage zu stellen
Vor dem Hintergrund, dass das Retrieval-Retro-Modell der Seoul National University die Grenzen der traditionellen Retrieval-Methode durchbricht, ergeben sich auf dem Gebiet der anorganischen Retrosynthese neue Entwicklungsmöglichkeiten.Seit 2024 haben Menschen das Element 118, Og, synthetisiert.Obwohl diese Elemente in der realen Welt möglicherweise extrem kurze Halbwertszeiten haben, zeichnen sich bereits Anwendungen für die KI-gestützte Materialentdeckung ab.
Diese Erforschung, die das Reale und das Virtuelle miteinander verwebt, gestaltet die kognitive Dimension der Materialwissenschaft neu. Während sich die traditionelle anorganische Chemie noch immer an die Pauling-Regel und das Hume-Rothery-Gesetz hält, hat die KI begonnen, Tensornetzwerke zu verwenden, um Elektronenkorrelationseffekte zu rekonstruieren und die potenziellen Mechanismen von Hochtemperatur-Supraleitern durch Quantenannealing-Algorithmen zu erforschen. Beispielsweise hat A-Lab durch die Kombination von Robotik und maschinellem Lernen erfolgreich eine Vielzahl neuer anorganischer Materialien synthetisiert und damit das große Potenzial der KI in der Materialsynthese demonstriert.
Dieser kognitive Sprung bringt eine doppelte Revolution mit sich:Auf technischer EbeneDas Quantencomputerteam von Microsoft kombiniert topologische Qubits mit retrosynthetischen Algorithmen, um mit seinem neuesten Quantenchip „Majorana 1“ unter Verwendung topologischer Leitermaterialien ein stabileres und effizienteres Quantencomputing zu erreichen.In wissenschaftstheoretischer HinsichtDas Synthetic Intelligence Laboratory des MIT hat begonnen zu erforschen, wie KI chemische Syntheseprozesse durch virtuelle Reaktoren simulieren und optimieren und so das menschliche Verständnis der materiellen Welt neu definieren kann. So wie Madame Curie Radium aus Pechblende extrahierte, könnte KI in virtuellen Reaktoren Materialformen hervorbringen, die der Mensch noch nicht benannt hat.
An der Schnittstelle zwischen alten und neuen Paradigmen schreibt die anorganische Retrosynthese ein höchst spannendes Kapitel: Sie setzt nicht nur die aus der Lavoisier-Ära stammende Tradition der Materialdekonstruktion fort, sondern bringt auch eine „posthumane Materialwissenschaft“ der Mensch-Maschine-Zusammenarbeit hervor. Als die Röntgenstrahlen der Shanghai Synchrotron Radiation Light Source und das neuronale Netzwerk von GNoME gemeinsam den 380. stabilen Kristall analysierten, sahen wir nicht nur eine technologische Iteration, sondern auch eine Erweiterung der kognitiven Dimension – so wie die Quantenmechanik die klassische Physik auf den Kopf stellte, eröffnet die KI der Materialwissenschaft einen „Schrödinger-Werkzeugkasten“ mit mehreren Realitäten.
Es ist erwähnenswert, dass die wahre Revolution nicht darin besteht, dass Maschinen Menschen ersetzen, sondern dass der Mensch endlich ein zweites Paar Augen erhält, um die materielle Welt zu beobachten, wenn die KI beginnt, chemische Bindungen mithilfe nichtlokaler Wellenfunktionen neu zu definieren. Unter den wachsamen Augen dieser „mechanischen Augen“ verwandelt sich die Synthese anorganischer Materialien von einer empirischen Fähigkeit in eine kognitive Brücke, die die klassische Chemie mit dem Quantenuniversum verbindet.