Die Materialentwicklung, ein hochaktuelles Forschungsgebiet, das eng mit Chemie, Physik und Ingenieurwesen verknüpft ist, war schon immer eine zentrale Triebkraft moderner technologischer Innovationen. Die Entstehung eines neuen Materials ist jedoch niemals die einfache Umsetzung einer vorgegebenen Formel, sondern vielmehr ein komplexer Prozess, der wissenschaftliche Intuition, präzise Kontrolle und beharrliche Forschung vereint. Vergleicht man diesen Prozess mit Kochen, so beeinflussen selbst bei demselben Gericht unterschiedliche Köche, Zutatenverhältnisse, Verarbeitungsmethoden und selbst geringfügige Unterschiede in der Hitze den Geschmack maßgeblich; dasselbe gilt für die Materialentwicklung.Jede Wahl der Parameter und jede Feinabstimmung der Bedingungen kann einen großen, ja sogar entscheidenden Einfluss auf die Materialeigenschaften haben und zu unterschiedlichen Ergebnissen führen.

Aktuell nutzen Forscher Hochdurchsatzrechner und datengetriebene Methoden, um aus einer Vielzahl von Verbindungen Millionen von Materialien mit potenzieller Stabilität und Synthesefähigkeit zu screenen. Dies gleicht einer Speisekarte mit unzähligen seltenen und exquisiten Gerichten und liefert eine erste Antwort auf die grundlegende Frage „Was soll synthetisiert werden?“ im Bereich der Materialforschung. Doch so wie Kochen nicht nur auf Rezepten, sondern auch auf der Zubereitung beruht, stellt ein solches „Menü“ ohne praktikable „Synthesemethoden“ nach wie vor einen entscheidenden Engpass in der Materialforschung dar. Daher ist die Frage, wie theoretische Materialien synthetisiert werden können – also wie man das Problem der Synthese löst – eine zentrale Hürde, die die aktuelle Materialforschung überwinden muss, um praktische Anwendungen zu ermöglichen.

Als Reaktion auf die oben genannten HerausforderungenEin Forschungsteam des MIT, der Technischen Universität München und der Polytechnischen Universität Valencia hat ein innovatives generatives Diffusionsmodell namens DiffSyn vorgeschlagen.Dieses Modell, trainiert mit über 23.000 generativen Formulierungen aus einer mehr als 50-jährigen Literaturreihe, generiert mögliche Synthesewege basierend auf der Ziel-Zeolithstruktur und der organischen Vorlage. Sein Hauptvorteil liegt in der Erfassung der „Eins-zu-Viele“- und „multimodalen“ Eigenschaften der Struktur-Synthese-Beziehung in Materialien. Dadurch erhalten Forscher eine wissenschaftlich fundierte und präzise Anleitung für die Materialherstellung. Im Vergleich zu traditionellen Methoden mit Regressionsmodellen und anderen generativen Modellen zeigt DiffSyn eine deutlich höhere Leistungsfähigkeit.

Im Rahmen der Forschungsarbeiten demonstrierte das Team die Fähigkeit von DiffSyn, effiziente Synthesewege für Zeolithe (eine Klasse kristalliner mikroporöser Materialien, die in großem Umfang in der Katalyse, Adsorption und im Ionenaustausch eingesetzt werden können) vorherzusagen.Auf Basis des entwickelten Syntheseverfahrens stellte das Forschungsteam erfolgreich ein Zeolithmaterial vom UFI-Typ her. Berechnungen der Bindungsenergie mittels Dichtefunktionaltheorie bestätigten, dass das Silizium-Aluminium-Verhältnis (Si/Al), gemessen durch optische Emissionsspektrometrie mit induktiv gekoppeltem Plasma (ICP-OES), einen Wert von bis zu 19,0 erreichte.Diese überlegene Eigenschaft dürfte die thermische Stabilität poröser Materialien deutlich verbessern und damit die Grundlage für deren Anwendung in Hochtemperatur- und rauen Umgebungen schaffen.

Die zugehörigen Forschungsergebnisse mit dem Titel „DiffSyn: ein generativer Diffusionsansatz zur Planung der Materialsynthese“ wurden in Nature Computational Science veröffentlicht.

Forschungshighlights:

* DiffSyn, trainiert anhand von 23.961 synthetischen Rezepten aus über 50 Jahren Literatur, überwindet die Einschränkungen der deterministischen Abbildung in traditionellen Regressionsmodellen. 

* Im Vergleich zu Regressionsmodellen und anderen tiefen generativen Modellen erzielt DiffSyn den niedrigsten mittleren absoluten Fehler für 10 von 12 synthetischen Parametern und demonstriert damit eine signifikante Überlegenheit.

* Das Zielmaterial wurde erfolgreich mit einem Silizium-Aluminium-Verhältnis von bis zu 19,0 hergestellt, was den praktischen Wert des DiffSyn-Modells demonstriert.

Papieradresse:

https://www.nature.com/articles/s43588-025-00949-9
Folgen Sie unserem offiziellen WeChat-Konto und antworten Sie im Hintergrund mit „Zeolithvorhersage“, um das vollständige PDF zu erhalten.

Schwerpunkt: Zeolithsynthese: Trainingsdaten aus 50 Jahren, die mehr als 23.000 Rezepturen umfassen.

Als bedeutende und erfolgreiche Forschungsleistung auf dem Gebiet der Materialherstellung zeichnet sich DiffSyn vor allem durch seinen Fokus aus. Der für das Training des DiffSyn-Modells verwendete Kerndatensatz ist der ZeoSyn-Datensatz.Dies ist ein vom selben Team vorgeschlagener Datensatz, der 23.961 hydrothermale Synthesewege für Zeolithe umfasst, darunter 233 Zeolith-Topologien und 921 organische struktursteuernde Mittel (OSDAs).Die Datenquelle ist Literatur zur Zeolithsynthese aus einem Zeitraum von über 50 Jahren.

Erweiterung der Modellfähigkeiten: Auf Basis des generativen Diffusionsmodells wird eine innovative chemische Steuerung eingeführt.

Der Weg der Materialherstellung ist nie eindeutig. Wie Elton Pan, Erstautor dieser Studie, erklärte, existieren in der Realität möglicherweise unterschiedliche Synthesewege für die Beziehungen zwischen Materialstruktur und -synthese. Dieser Paradigmenwechsel erfordert eine Veränderung der Struktur-Synthese-Beziehung von „eins zu eins“ zu „eins zu vielen“.

Basismodellauswahl – Generatives Diffusionsmodell

Für Methoden des maschinellen Lernens stellt die „Eins-zu-viele“-Beziehung zwischen Struktur und Synthese eine erhebliche Herausforderung dar. Forscher müssen auch die umgekehrte „Eins-zu-viele“-Beziehung zwischen Synthese und Struktur berücksichtigen. Ebenso kann eine einzelne Formulierung aufgrund der Wechselwirkung komplexer Faktoren wie Thermodynamik und Kinetik ein Produktgemisch, d. h. eine konkurrierende Phase, bilden. Darüber hinaus bestehen komplexe nichtlineare Wechselwirkungen zwischen den Syntheseparametern. Dies erfordert Methoden, die die Wahrscheinlichkeiten mehrerer Syntheseparameter gemeinsam modellieren können, um die Beziehungen zwischen den Variablen zu erfassen und die Syntheseparameter zu gewichten.

Vor DiffSyn verwendeten traditionelle, auf maschinellem Lernen basierende Methoden hauptsächlich Regressionsmodelle. Diese Methoden ordneten deterministisch eine bestimmte Materialrepräsentation Syntheseparametern zu, was direkt zu einer eindeutigen Struktur-Synthese-Beziehung führte. Wichtiger noch: Die Beziehungen zwischen den Syntheseparametern waren unabhängig und konnten die starke Kopplung zwischen ihnen nicht abbilden. Diese Einschränkungen reduzierten die Vorhersagegenauigkeit der Regressionsmodelle erheblich.

Im Gegensatz dazu verfolgt das DiffSyn-Modell einen völlig neuen Ansatz, der auf einem generativen Diffusionsmodell basiert.Im Vergleich zu klassischen generativen adversariellen Netzwerken,Das Diffusionsmodell entfernt Rauschen aus verrauschten Daten durch Training und kann vielfältige Ausgaben generieren;Im Vergleich zu Deep-Generation-Methoden wie Variations-Autoencodern,Der iterative Entrauschungsprozess des Diffusionsmodells verleiht ihm eine hohe Ausdrucksstärke, wodurch eine exzellente Probenqualität erzielt und sogar die Grenzen zwischen konkurrierenden Phasen im synthetischen Raum erfasst werden können. Dies ist das Kernmerkmal, das diese Studie von früheren Studien unterscheidet.Um es mit den Worten des Autors zu sagen: „Dies ist ein Paradigmenwechsel, von einer Eins-zu-Eins-Beziehung zwischen Struktur und Komposition hin zu einer Eins-zu-Viele-Beziehung.“

Dies ist auch der Schlüssel zur Fähigkeit von DiffSyn, Zeolithmaterialien mit hochdimensionalem Syntheseraum vorherzusagen.

Kernregulierungsmechanismus – Chemikalienleitlinien

Ein weiteres Hauptmerkmal von DiffSyn ist seine „chemische Steuerung“. DiffSyn gibt keine zufälligen Parameter aus. Stattdessen nutzt es chemische Prinzipien, um einen Syntheseweg zu generieren, der die gewünschte Zeolithstruktur durch ein Diffusionsmodell ansteuert. Konkret verwendet es die Zielzeolithstruktur Czeo und das organische struktursteuernde Agens (OSDA) Cosda als Eingabe- bzw. Ausgabeparameter. Siehe Abbildung unten:

OSDA ist ein organisches Molekül, das die Porenstruktur von Zeolithen "vorgeben" kann und dadurch den Syntheseprozess so steuert, dass eine spezifische Struktur entsteht, wie in Abbildung e unten dargestellt.

Und vor allem,Dieses Modell lernt keine deterministischen Parameter, sondern bedingte Wahrscheinlichkeitsverteilungen.Ausgehend von der Zielstruktur und dem OSDA wird eine Reihe von Synthesewegen generiert, einschließlich der Gelzusammensetzung Xcomp und der Synthesebedingungen Xcond. Dies ist der Schlüssel zur Auflösung der oben erwähnten „Eins-zu-Viele“-Beziehung.

Während des TrainingsprozessesDer Vorwärtsdiffusionsprozess (der Teil mit den roten Pfeilen im Arbeitsablaufdiagramm) fügt Xcomp und Xcond Gaußsches Rauschen hinzu und wandelt sie so allmählich in eine Gaußverteilung um.In der InferenzphaseDer Rückdiffusionsprozess (im Workflow-Diagramm durch den grünen Pfeil dargestellt) beginnt mit Gaußschem Rauschen und verwendet eine klassifikatorunabhängige Strategie zur iterativen Rauschunterdrückung mittels eines chemisch gesteuerten U-Net. Siehe das folgende Diagramm:

Nach der Rauschunterdrückung über T Zeitschritte kann das Modell den Syntheseweg zur Zielstruktur generieren. Während des Rückdiffusionsprozesses werden die Generierungsmetriken wie Wasserstein-Distanz und COV-P (Genauigkeit) kontinuierlich optimiert. Dies bestätigt die Effektivität der Rauschunterdrückung und verdeutlicht die Bedeutung der chemischen Steuerung.

Implementierung des DiffSyn-Workflows – Dual-Encoder, Feature-Fusion-Encoder

Im Hinblick auf die Modellarchitektur,DiffSyn verwendet eine Dual-Encoder-Architektur und verarbeitet die Zeolithstruktur und OSDA über unabhängige Encoder (Enczeo und EncOSDA).

Zur Charakterisierung von Zeolithstrukturen verwendete das Forschungsteam eine duale Charakterisierungsstrategie zur Extraktion struktureller Merkmale: invariante geometrische Merkmale, wobei das Team das Softwarepaket Zeo++ nutzte, um relevante physikalische Deskriptoren aus der Zeolithstruktur zu extrahieren, wie z. B. Porenvolumen, Ringgröße und maximaler Durchmesser der umschließenden Kugel, und diese dann in einen mehrschichtigen Perzeptron-Encoder zum Lernen eingab; und Charakterisierung mittels äquivarianter grafischer neuronaler Netze (EGNN), wobei das Team direkt chemisch sinnvolle Merkmale des latenten Raums aus spektralen Daten der Zeolithkristallstruktur mithilfe eines äquivarianten grafischen neuronalen Netz-Encoders lernte.
* Die Daten stammen aus der Datenbank der International Zeolite Association (IZA).

Zur Charakterisierung organischer Struktursteuerungsmittel nutzte das Forschungsteam RDKit, um mehrere Konformationen dieser Mittel zu generieren und führte für jede Konformation eine Geometrieoptimierung in der Gasphase mithilfe des MMFF94-Kraftfelds durch. Anschließend berechneten sie die Mittelwerte der physikochemischen Deskriptoren für alle Konformationen, wie beispielsweise Molekülvolumen und zweidimensionale Formdeskriptoren, als charakteristische Merkmale der organischen Struktursteuerungsmittel.

Anschließend kombinierte das Forschungsteam die Strukturmerkmale von Zeolith mit denen organischer Strukturierungsmittel und nutzte einen Encfusion-Encoder, um die gemeinsame Charakterisierung beider zu erlernen und so chemische Leitinformationen zu generieren. Diese gemeinsame Charakterisierung dient dann dazu, den umgekehrten Entrauschungsprozess des Diffusionsmodells zu steuern und sicherzustellen, dass die generierten Synthesewege chemischen Prinzipien entsprechen. Besonders hervorzuheben ist, dass DiffSyn Syntheseparameter generieren kann, die Synthesewege widerspiegeln, die während des Trainings nicht berücksichtigt, aber in der Literatur beschrieben sind. Siehe Abbildung unten:

Darüber hinaus ist die klassifikatorunabhängige Steuerung ein zentraler Bestandteil von DiffSyn. Das Kernprinzip besteht darin, den Generierungsprozess ohne zusätzlichen Klassifikator zu regulieren, indem bedingte Bewertungsfunktionen (mit chemischen Steuerungsinformationen) und unbedingte Bewertungsfunktionen (ohne Steuerungsinformationen) gewichtet kombiniert werden. Experimente ergaben, dass Puncond = 0,1 und W = 1,0 optimal sind und ein optimales Gleichgewicht zwischen Diversität und Qualität der generierten Synthesewege erzielen.
* Puncond ist die Wahrscheinlichkeit, dass während des Trainings die chemische Steuerung zufällig ausgelassen wird. Ein zu hoher Wert führt zu übermäßigen Einschränkungen des Generierungspfads, während ein zu niedriger Wert die Zielgenauigkeit der Zielstruktur verringert.
* W repräsentiert das Gewicht des gewichteten bedingten Scores während der Inferenz, d.h. die Führungsstärke.

Zusammenfassend lässt sich sagen, dass die obigen Ausführungen eine wichtige Grundlage schaffen, um die chemische Rationalität des Synthesewegs zur Erzeugung des Zielzeolithmaterials zu gewährleisten, die Zielstruktur präzise anzusteuern und die Generalisierungsfähigkeit des Modells zu verbessern.

Multidimensionaler experimenteller Vergleich: Die Vergleichsleistung erreicht den Stand der Technik (SOTA), und die praktischen Ergebnisse bestätigen die bisher höchsten berichteten Werte.

Um die Leistungsfähigkeit von DiffSyn zu überprüfen, führte das Forschungsteam während der experimentellen Phase mehrere Versuchsreihen durch, darunter Vergleiche mit früheren Methoden und Vergleiche zwischen vorhergesagten Zeolith-Synthesewegen und Literaturberichten.

Vergleich mit Regressionsmodellen und klassischen generativen/tiefen generativen Modellen

Das Forschungsteam erstellte drei Basismodelle zum Vergleich mit DiffSyn, um so die Leistungsfähigkeit und die Möglichkeiten der vorgeschlagenen Methode zu bewerten. Die drei Basismodelle sind:

* Regressionsmodelle: AMD (durchschnittliche minimale Distanz) und BNN (Bayes'sches neuronales Netzwerk) 

* Klassisches generatives Modell: GMM (Gaußsches Mischungsmodell)

*Tiefe generative Modelle: GAN (Conditional Generative Adversarial Network), NF (Normalizing Flow) und VAE (Variational Autoencoder)

Im Experiment wurde die Wasserstein-Distanz als Indikator verwendet, um den Unterschied zwischen den generierten Daten und der realen Datenverteilung zu messen, sowie der Abdeckungsindex COV-F1 (im Bereich von 0 bis 1, wobei höhere Werte besser sind) als Bewertungsindex für die Diversität der generierten Synthesewege.

Die Wasserstein-Distanz zeigt, dass tiefe generative Modelle wie GAN, NF, VAE und DiffSyn klassische Methoden deutlich übertreffen.DiffSyn verbessert den suboptimalen Ausgangswert (VAE) um mehr als 25%.Wie in Abbildung a unten dargestellt:

Darüber hinaus erzielen tiefe generative Methoden im Allgemeinen bessere Ergebnisse als Regressionsmodelle, vor allem aufgrund ihrer höheren Trefferquote (COV-R). Es ist anzumerken, dass…DiffSyn übertrifft andere tiefe generative Modelle aufgrund seines höheren COV-P.Obwohl DiffSyn nicht wie regressionsbasierte Methoden mit einem expliziten Zielwert für den mittleren absoluten Fehler trainiert wird, erzielt es dennoch den niedrigsten mittleren absoluten Fehler für 10 von 12 synthetischen Parametern, wie in Abbildung c unten dargestellt:

Darüber hinaus verglich das Forschungsteam die mit allen Methoden vorhergesagten gemeinsamen Verteilungen mehrerer Syntheseparameter mit den tatsächlichen gemeinsamen Verteilungen für AEL-Zeolith.Nur Tiefengenerierungsverfahren können die tatsächliche kombinierte Verteilung von Kristallisationstemperatur und -zeit für diese Art von Kristallstruktur erfassen.Unter ihnen erfasst DiffSyn die gemeinsame Verteilung am genauesten und berücksichtigt dabei die meisten realen Datenpunkte (einschließlich einiger Ausreißer), scheitert jedoch bei der Vorhersage von Datenpunkten (extremen Ausreißern) in den sekundären Mustern.

In einer anschließenden Validierungsstudie nutzte das Forschungsteam DiffSyn, um die gemeinsame Verteilung mehrerer Syntheseparameter zu ermitteln und untersuchte zwei Syntheseparameter für zwei bisher unbekannte Zeolith-OSDA-Systeme.Die Ergebnisse bestätigen, dass DiffSyn die spezifischen Regeln auf dem Gebiet der Materialherstellung beherrscht.Es hat bedeutende chemische Implikationen.

Vergleichen Sie die generierten Synthesewege mit den in der Literatur beschriebenen.

Das Forschungsteam wählte mehrere Zeolith-OSDA-Systeme mit Forschungswert und industriellen Anwendungsmöglichkeiten aus, verglich die Unterschiede zwischen den von DiffSyn generierten Synthesewegen und den in der Literatur beschriebenen und verifizierte die Fähigkeit von DiffSyn, den Zusammenhang zwischen Synthese und Struktur für die Bildungswege bisher unbekannter Zeolithe vom Typ MWW und BEC sowie des konkurrierenden Kristallphasensystems FAU/LTA zu erlernen. Siehe Abbildung unten:

Erstens handelt es sich beim MWW-System um eine zweidimensionale Struktur mit einem zehngliedrigen Ring und einem großen Hohlraum, die bei Isomerisierungs- und Aromatisierungsreaktionen verwendet wird. Die von DiffSyn generierten Parameter OH⁻/T, K⁺/T, H₂O/T, SDA/T, Temperatur und Zeit stimmen sehr gut mit den tatsächlichen Syntheseparametern überein.Dies beweist, dass DiffSyn auch in einer unsichtbaren Struktur noch ein sinnvolles Fenster reproduzieren kann.

Zweitens handelt es sich beim BEC-System um einen makroporösen Zeolith mit einer dreidimensionalen Porenstruktur, die sich kreuzende zwölfgliedrige Ringkanäle enthält und für Isomerisierungs- und Epoxidierungsreaktionen geeignet ist. Die von DiffSyn ermittelten Syntheseparameter Si/Ge, F⁻/T und Temperatur/Zeit stimmen weitgehend mit den in der Literatur berichteten Werten überein. Insbesondere wird in der Literatur darauf hingewiesen, dass Ge und F⁻ den doppelten Vierring (d4r) der BEC-Struktur während des Syntheseprozesses stabilisieren, und DiffSyn bewirkt dasselbe.Dies beweist, dass DiffSyn in der Lage ist, spezifische Heteroatome oder Synthesebedingungen zu erlernen, um die Bildung spezifischer Struktureinheiten in Zeolithen zu fördern.

Abschließend nutzte das Forschungsteam DiffSyn, um die Synthesewege von FAU- und LTA-Zeolithen ohne OSDA vorherzusagen. Die von DiffSyn generierten Synthesewege stimmten weitgehend mit den in der Literatur beschriebenen überein. BemerkenswerterweiseDiffSyn sagte die Phasengrenzregion zwischen FAU und LTA ohne OSDA präzise voraus und definierte so klar den Syntheseraum für die Bildung konkurrierender Phasen.Dieses Ergebnis zeigt, dass DiffSyn nicht nur Struktur-Synthese-Beziehungen präzise erfassen, sondern auch die Entscheidungsgrenze zwischen Synthese und Struktur auflösen kann und somit sein Potenzial für die phasenselektive Synthese unter Beweis stellt. Es zeichnet sich zudem durch hohe Generalisierbarkeit und Anwendbarkeit aus und kann auf eine Vielzahl von Zeolithstrukturen und deren entsprechenden chemischen Systemen angewendet werden.

Überprüfung der Generierung des optimalen Synthesewegs

Die Generierung von Syntheserouten und die Planung optimaler Syntheserouten sind zwei Dimensionen desselben Problems. Um dies zu untersuchen, bewertete das Forschungsteam die Fähigkeit von DiffSyn, Letzteres zu erreichen.

Im Experiment wurde Trimethyladamantiumammonium (TMAda) als organisches Strukturierungsmittel zur Synthese von Zeolithen des CHA-Typs eingesetzt. Dabei wurden verschiedene Synthesewege generiert und die entsprechenden Vorläuferkosten sowie Kristallisationszeiten berechnet. Siehe Abbildung unten. Die von DiffSyn generierten, teilweise Praeto-optimalen Routen weisen im Vergleich zu den 20 kostengünstigsten Syntheserouten, die in der Literatur beschrieben sind, kürzere Kristallisationszeiten und niedrigere Vorläuferkosten auf.

endlich,Das Forschungsteam hat experimentell den Syntheseweg von DiffSyn zur Herstellung von Zeolithen des UFI-Typs verifiziert und erfolgreich vier Zeolithmaterialien des UFI-Typs synthetisiert.Für die Synthese von Zeolithen des UFI-Typs wählte das Forschungsteam Kryptofix 222 (K222) als OSDA, da dieses System nicht in den Trainingsdaten vorkam, was für die Prüfung der Generalisierungsfähigkeit von DiffSyn von Vorteil ist.

DiffSyn generierte 1000 Synthesewege, deren Verteilung innerhalb des Teilraums aller bisher beschriebenen Zeolith-Synthesewege liegt (siehe Abbildung unten). Die Studie zeigte außerdem, dass die meisten konkurrierenden Kristallphasen keine gemeinsamen Struktureinheiten mit der Zielkristallphase aufweisen. Dies bestätigt die Komplexität des Zusammenhangs zwischen Struktur und Synthese und dessen Unmöglichkeit, ihn allein durch Struktureinheiten zu erklären.

Die Testergebnisse zeigten, dass das Pulverröntgendiffraktogramm der synthetisierten Probe in hoher Übereinstimmung mit dem simulierten Diffraktogramm stand.Der erhaltene Kristall wurde als Zeolithstruktur vom UFI-Typ bestätigt, und das mittels ICP gemessene Silizium-Aluminium-Verhältnis betrug sage und schreibe 19,0, was zu den höchsten Werten zählt, die bisher bei der Synthese von Zeolithen vom UFI-Typ berichtet wurden.

Wichtiger noch: Das Forschungsteam betonte, dass die Zusammenarbeit zwischen DiffSyn und menschlichen Experten entscheidend für optimale Syntheseergebnisse ist. Dies wurde am Beispiel der Kristallisationstemperatur untermauert. Zusammenfassend lässt sich sagen, dass das Modell den Syntheseweg vorgibt, während menschliche Experten ihre Erfahrung für Korrekturen und Entscheidungen nutzen. Dies könnte der Schlüssel für die zukünftige Anwendung künstlicher Intelligenz in der Materialforschung sein.

Dieses „Rezeptbuch“ verwendet eine Vielzahl von Materialien, um die Frage „Was soll synthetisiert werden?“ mit der Frage „Wie soll synthetisiert werden?“ zu verbinden.

Die wechselseitige Integration der Bereiche Materialforschung und künstliche Intelligenz vertieft sich, was die Entwicklung der Materialforschung hin zu Intelligenz, Präzision und Integration beschleunigt.

Erstens beschleunigt die rasante Entwicklung künstlicher Intelligenz, insbesondere generativer künstlicher Intelligenz, den Aufbau von Datenbanken zur Materialsynthese. Vor allem in der Industrie haben Technologiekonzerne wie Google und Meta massiv in generative künstliche Intelligenz investiert und so eine umfangreiche Datenbank mit Formeln zur Materialsynthese geschaffen. Diese Formeln bieten theoretisch eine vielversprechende Grundlage für die Materialentwicklung und -innovation.

Darüber hinaus werden relevante Datenbanken für spezifische Teilgebiete kontinuierlich verbessert und erweitert, insbesondere durch die verstärkte Fokussierung der Forschung in Wissenschaft und Praxis. So hatte das Team beispielsweise bereits vor dieser Studie Zeolithmaterialien über einen längeren Zeitraum untersucht. Angesichts der geringen Größe und der begrenzten Anzahl bestehender öffentlich zugänglicher Datenbanken zur Zeolithsynthese entwickelten sie den ZeoSyn-Datensatz – eine Sammlung von 23.961 hydrothermalen Syntheserouten für Zeolithe. Parallel dazu wurde ein Machine-Learning-Klassifikator entwickelt, der Zeolithe anhand einer Syntheseroute vorhersagt und eine Genauigkeit von 70% erreicht. Dies bildet eine solide Grundlage und liefert eine starke theoretische Basis für die weitere Forschung des Teams.

* Titel der Arbeit:

ZeoSyn: ein umfassender Datensatz zur Zeolithsynthese, der maschinelles Lernen zur Rationalisierung hydrothermaler Parameter ermöglicht
* Papieradresse:https://dspace.mit.edu/handle/1721.1/164092

Die Datenbank für Materialsyntheseformeln ist wie die Speisekarte eines Rezepts. Wie bereits erwähnt, reicht eine Speisekarte allein nicht aus; es fehlen die Zubereitungsmethoden. Die Anwendung von Regressionsmodellen, generativen Modellen und Diffusionsmodellen ist vergleichbar mit der kontinuierlichen Weiterentwicklung und Verbesserung eines köstlichen Gerichts durch Forscher. Der Einsatz dieser Technologien der künstlichen Intelligenz entspricht dem Hinzufügen verschiedener Zubereitungsmethoden zu jedem Gericht auf der Speisekarte, wodurch das Rezept letztendlich perfektioniert wird.

Schließlich ähnelt die Materialsynthese zwar dem Kochen, unterscheidet sich aber auch grundlegend davon. Im Vergleich zum herkömmlichen Kochen ist jede erfolgreiche Materialsynthese weitaus wertvoller als ein besonders schmackhaftes Gericht. Die Entstehung jedes neuen Materials kann ein Tor zu einer unbekannten Welt öffnen, die unendliche Möglichkeiten birgt, die menschliche Zivilisation und den Fortschritt der Zeit voranzutreiben.