Nanotechnologia

GNoME i MatterGen: jak AI odkrywa i projektuje nowe materiały

GNoME i MatterGen to dwa systemy sztucznej inteligencji, które zmieniają sposób odkrywania nowych materiałów i struktur krystalicznych. GNoME analizuje ogromne zbiory kandydatów i przewiduje ich stabilność, natomiast MatterGen generuje kryształy o właściwościach określonych przez badacza.

Oba rozwiązania wykorzystują AI w materiałoznawstwie, ale odpowiadają na inne pytania. GNoME sprawdza: „Które struktury mogą być stabilne?”, a MatterGen: „Jaka struktura może zapewnić oczekiwane właściwości?”.

Czym jest GNoME?

GNoME, czyli Graph Networks for Materials Exploration, to system opracowany przez Google DeepMind i przedstawiony w 2023 roku. Wykorzystuje grafowe sieci neuronowe do przewidywania energii oraz stabilności nieorganicznych struktur krystalicznych.

Model został początkowo wytrenowany na danych z Materials Project, a następnie rozwijany w pętli aktywnego uczenia. Kandydatów na nowe materiały pozyskiwano w dwóch procesach:

poprzez modyfikowanie znanych struktur i zastępowanie w nich pierwiastków,
poprzez wyszukiwanie nowych struktur na podstawie składu chemicznego.

GNoME szybko ocenia energię kandydatów i wybiera najbardziej obiecujące struktury. Są one następnie weryfikowane za pomocą obliczeń teorii funkcjonału gęstości, czyli DFT. Wyniki wracają do zbioru treningowego, zwiększając dokładność kolejnych przewidywań.

Ile nowych materiałów odkryło GNoME?

GNoME zidentyfikowało około 2,2 mln struktur krystalicznych stabilnych względem materiałów znanych z wcześniejszych baz danych. Spośród nich 381 tys. znalazło się na zaktualizowanej otoczce wypukłej jako nowe, potencjalnie stabilne materiały.

Dla porównania wcześniejsze eksperymentalne i obliczeniowe bazy obejmowały około 48 tys. stabilnych kryształów. Po uwzględnieniu wyników GNoME liczba struktur na otoczce wypukłej wzrosła do około 421 tys.

Nie oznacza to jednak, że wszystkie przewidziane materiały można łatwo wytworzyć. Stabilność termodynamiczna jest ważnym kryterium, ale nie przesądza o stabilności dynamicznej, szybkości przemian fazowych ani praktycznej możliwości syntezy.

Czy przewidywania GNoME potwierdzono eksperymentalnie?

W bazie ICSD znaleziono 736 struktur eksperymentalnych zgodnych ze strukturami niezależnie wskazanymi przez GNoME. Były to wyniki równolegle prowadzonych badań, dlatego stanowią potwierdzenie zdolności modelu do identyfikowania fizycznie realistycznych kryształów, a nie dowód późniejszej syntezy wszystkich kandydatów zaproponowanych przez AI.

Wśród struktur wskazanych przez system znalazły się m.in.:

materiały warstwowe interesujące dla elektroniki i magazynowania energii,
potencjalne przewodniki jonów litu,
tlenki przydatne w akumulatorach nowej generacji.

Google DeepMind udostępniło 381 tys. przewidywanych stabilnych struktur społeczności naukowej za pośrednictwem Materials Project.

Jakie są ograniczenia GNoME?

GNoME jest przede wszystkim narzędziem do przesiewania i oceny kandydatów. Pozwala szybko ustalić, które z milionów struktur warto poddać dokładniejszym obliczeniom DFT lub badaniom laboratoryjnym.

Nie rozwiązuje jednak w pełni problemu odwrotnego projektowania materiałów. W tym podejściu badacz nie rozpoczyna od istniejącej struktury, lecz od wymaganej właściwości, takiej jak określona przerwa energetyczna, sztywność, skład chemiczny lub magnetyzacja.

Do takich zadań opracowano MatterGen.

Czym jest MatterGen?

MatterGen to generatywny model sztucznej inteligencji opracowany przez Microsoft Research. Wyniki jego działania opublikowano w czasopiśmie „Nature” w styczniu 2025 roku.

W przeciwieństwie do modeli ograniczających się do oceny istniejących kandydatów MatterGen może generować nowe nieorganiczne struktury krystaliczne. System wykorzystuje model dyfuzyjny dostosowany do okresowej i trójwymiarowej geometrii kryształów.

Model rozpoczyna od losowej, zaszumionej konfiguracji, a następnie stopniowo ją udoskonala. W trakcie tego procesu wspólnie określa:

rodzaje atomów,
ich współrzędne w komórce elementarnej,
parametry okresowej sieci krystalicznej.

Proces przypomina generowanie obrazów za pomocą modeli dyfuzyjnych, jednak musi uwzględniać symetrie, periodyczność oraz fizyczną geometrię materiału.

Jak MatterGen projektuje materiały o zadanych właściwościach?

Najważniejszą funkcją MatterGen jest generowanie warunkowe. Model można dostroić tak, aby proponował materiały spełniające wybrane wymagania, takie jak:

określony układ pierwiastków,
grupa przestrzenna,
szerokość przerwy energetycznej,
gęstość magnetyczna,
moduł objętościowy,
stabilność termodynamiczna.

Badacz definiuje oczekiwaną właściwość lub zestaw ograniczeń, a model generuje potencjalne struktury. Jest to przykład odwrotnego projektowania materiałów: proces rozpoczyna się od wymaganej funkcji, a nie od znanego związku chemicznego.

MatterGen nie gwarantuje, że każda wygenerowana struktura będzie stabilna i możliwa do otrzymania. Pozwala jednak kierować poszukiwania w stronę materiałów o określonych parametrach, zamiast przeszukiwać całą przestrzeń kandydatów.

Eksperymentalna weryfikacja materiału TaCr₂O₆

Możliwości MatterGen sprawdzono eksperymentalnie na przykładzie związku TaCr₂O₆. Model wygenerował strukturę po zadaniu docelowego modułu objętościowego wynoszącego 200 GPa.

Materiał został następnie zsyntetyzowany, chociaż w próbce zaobserwowano nieuporządkowanie składu związane z rozmieszczeniem atomów tantalu i chromu. Eksperymentalnie oszacowany moduł objętościowy osiągnął 169 GPa, czyli wartość różniącą się od celu o mniej niż 20%.

Pojedyncza synteza nie dowodzi, że generatywna AI potrafi bezbłędnie projektować dowolne materiały. Pokazuje jednak, że struktura wygenerowana cyfrowo może zostać powiązana z rzeczywistym procesem syntezy i pomiarem właściwości.

GNoME a MatterGen — jaka jest różnica?

GNoME i MatterGen reprezentują dwa uzupełniające się podejścia do wykorzystania AI w materiałoznawstwie.

GNoME:

analizuje ogromne zbiory kandydatów,
przewiduje ich energię i stabilność,
przyspiesza przesiewanie struktur,
wskazuje materiały warte dokładniejszych obliczeń.

MatterGen:

generuje nowe struktury krystaliczne,
uwzględnia zadane właściwości docelowe,
wspiera odwrotne projektowanie materiałów,
może tworzyć kandydatów wykraczających poza znane bazy struktur.

GNoME pomaga odnaleźć stabilne materiały w ogromnej przestrzeni kandydatów. MatterGen próbuje natomiast tworzyć materiały odpowiadające konkretnym wymaganiom.

Czy AI zastąpi naukowców zajmujących się materiałami?

Sztuczna inteligencja nie zastępuje obliczeń DFT, eksperymentów ani wiedzy z zakresu chemii i fizyki materiałów. Może jednak skrócić etap poszukiwania kandydatów i ograniczyć liczbę kosztownych prób laboratoryjnych.

Połączenie modeli takich jak GNoME i MatterGen z symulacjami kwantowymi, automatyzacją laboratoriów oraz eksperymentalną walidacją może przyspieszyć rozwój materiałów dla akumulatorów, elektroniki, katalizy, technologii wodorowych i energetyki.

Im więcej struktur generują modele AI, tym większego znaczenia nabiera krytyczna ocena wyników. Kluczowe pozostają możliwość syntezy, trwałość materiału, obecność defektów, warunki produkcji oraz rzeczywiste właściwości próbki.