Nanotechnologia

Sztuczna inteligencja zmienia sposób, w jaki naukowcy odkrywają i projektują materiały. Zamiast przez lata wytwarzać kolejne próbki i badać ich właściwości, mogą wykorzystywać modele uczenia maszynowego do wskazywania najbardziej obiecujących struktur jeszcze przed rozpoczęciem eksperymentów.

AI nie zastępuje wiedzy badaczy ani metod obliczeniowych opartych na mechanice kwantowej. Wspiera proces badawczy, analizując duże zbiory danych, wykrywając ukryte zależności i przewidując właściwości materiałów.

Dlaczego odkrywanie nowych materiałów jest tak trudne?

Przestrzeń możliwych związków chemicznych jest ogromna. Według niektórych szacunków może obejmować ponad 10⁶⁰ cząsteczek. Żadne laboratorium ani superkomputer nie jest w stanie przeanalizować wszystkich kombinacji pierwiastków, struktur krystalicznych i defektów.

W przypadku nanomateriałów problem staje się jeszcze bardziej złożony. Ich właściwości zależą nie tylko od składu chemicznego, lecz także od:

• rozmiaru i kształtu cząstek,
• struktury krystalicznej,
• defektów i wakancji,
• granic ziaren,
• stężenia domieszek,
• morfologii,
• chemii powierzchni,
• warunków syntezy.

Nawet niewielka zmiana jednego parametru może istotnie wpłynąć na przewodność elektryczną, aktywność katalityczną, absorpcję światła, właściwości magnetyczne lub wytrzymałość mechaniczną.

Dobrym przykładem jest złoto. W postaci litej pozostaje stosunkowo mało reaktywne, natomiast w skali nanometrycznej może wykazywać wysoką aktywność katalityczną. Z kolei krzemowe kropki kwantowe emitują światło o barwie zależnej od rozmiaru cząstek, co wynika z uwięzienia kwantowego.

Ograniczenia tradycyjnego procesu badawczego

Klasyczne odkrywanie materiałów opiera się głównie na metodzie prób i błędów. Naukowiec formułuje hipotezę, syntetyzuje materiał, a następnie analizuje jego strukturę i właściwości.

Do syntezy wykorzystuje się m.in.:

• reakcje w fazie stałej,
• syntezę hydrotermalną,
• chemiczne osadzanie z fazy gazowej,
• epitaksję z wiązki molekularnej.

Materiał bada się następnie za pomocą takich technik jak dyfrakcja rentgenowska, mikroskopia elektronowa, mikroskopia sił atomowych, spektroskopia Ramana czy rentgenowska spektroskopia fotoelektronów.

Jeżeli wyniki nie spełniają oczekiwań, modyfikuje się skład lub warunki procesu, a cały cykl rozpoczyna od nowa. Analiza jednego układu materiałowego może trwać miesiące, a nawet lata.

Rola teorii funkcjonału gęstości

Duży postęp w materiałoznawstwie umożliwiły obliczenia z wykorzystaniem teorii funkcjonału gęstości, czyli DFT. Pozwalają one przewidywać m.in.:

• energię tworzenia,
• strukturę elektronową,
• stabilność materiału,
• właściwości magnetyczne,
• szerokość przerwy energetycznej.

Obliczenia DFT są jednak wymagające czasowo i obliczeniowo. Pojedyncza symulacja może trwać od kilku godzin do kilku dni, dlatego analiza setek tysięcy struktur pozostaje ogromnym wyzwaniem.

Sztuczna inteligencja może ograniczyć to „wąskie gardło”. Modele uczą się na wynikach wcześniejszych obliczeń i eksperymentów, a następnie szybko szacują właściwości nowych materiałów.

Jak AI uczy się właściwości materiałów?

Model uczenia maszynowego można porównać do studenta, który otrzymał tysiące rozwiązanych zadań. Analizując przykłady, rozpoznaje schematy i uczy się przewidywać wynik nowego problemu bez powtarzania całego procesu obliczeniowego.

W materiałoznawstwie modele trenuje się na danych pochodzących z:

• obliczeń DFT,
• pomiarów laboratoryjnych,
• baz struktur krystalicznych,
• publikacji naukowych,
• eksperymentów wysokoprzepustowych.

Po wytrenowaniu mogą szybko przewidywać stabilność kryształów, właściwości optyczne, przewodnictwo cieplne i jonowe, aktywność katalityczną, bariery dyfuzji czy stałe sprężystości.

Najważniejsze metody AI w materiałoznawstwie

Jednym z kluczowych narzędzi są grafowe sieci neuronowe. Przedstawiają kryształ jako graf, w którym atomy są węzłami, a oddziaływania między nimi — krawędziami. Dzięki temu model uwzględnia lokalne otoczenie chemiczne każdego atomu.

Coraz większe znaczenie mają również:

• modele generatywne, tworzące nowe struktury materiałowe,
• modele dyfuzyjne, generujące realistyczne kryształy z zaszumionych konfiguracji,
• optymalizacja bayesowska, pomagająca dobierać warunki syntezy,
• aktywne uczenie, wskazujące najbardziej wartościowe kolejne eksperymenty,
• potencjały międzyatomowe oparte na uczeniu maszynowym, przyspieszające symulacje atomistyczne.

Od odkrywania do projektowania

Najważniejsza zmiana dotyczy sposobu formułowania problemu badawczego. Tradycyjnie naukowcy pytali: „Jakie właściwości ma ten materiał?”. Dziś coraz częściej mogą zapytać: „Jaki materiał zapewni właściwości potrzebne w konkretnym zastosowaniu?”.

To przejście od przypadkowego odkrywania do celowego projektowania materiałów.

Ma ono szczególne znaczenie dla:

• akumulatorów nowej generacji,
• elektroniki i fotoniki,
• katalizy,
• technologii wodorowych,
• nanomedycyny,
• materiałów kwantowych,
• zrównoważonego przemysłu.

Sztuczna inteligencja nie eliminuje potrzeby prowadzenia eksperymentów. Pozwala jednak zawęzić ogromną przestrzeń rozwiązań i skoncentrować pracę laboratoryjną na materiałach o największym potencjale.

Literatura

Mekki-Berrada F. i in., „Two-step machine learning enables optimized nanoparticle synthesis”, „npj Computational Materials” 7, 55 (2021).

Chen C., Ong S.P., „A universal graph deep learning interatomic potential for the periodic table”, „Nature Computational Science” 2, 718–728 (2022).

Merchant A. i in., „Scaling deep learning for materials discovery”, „Nature” 624, 80–85 (2023).

Zeni C. i in., „A generative model for inorganic materials design”, „Nature” 639, 624–632 (2025).

Li K. i in., „A critical examination of robustness and generalizability of machine learning prediction of materials properties”, „npj Computational Materials” 9 (2023)