Naukowcy wykorzystali możliwości sztuczna inteligencja w celu zwiększenia fotostabilności cząsteczek do zastosowań w energii słonecznej, uzyskując cząsteczki czterokrotnie bardziej stabilne niż poprzednie.
Ich nowatorskie podejście obejmowało eksperymenty w pętli zamkniętej oparte na sztucznej inteligencji i zautomatyzowaną syntezę chemiczną, aby odkryć podstawowe chemiczne zasady stabilności, oferując świeży wgląd w projektowanie molekularne organicznych ogniw słonecznych.
Sztuczna inteligencja to potężne narzędzie dla badaczy, ale ma istotne ograniczenie: niemożność wyjaśnienia, w jaki sposób podjęła decyzje, co jest problemem znanym jako „czarna skrzynka AI”. Łącząc sztuczną inteligencję z automatyczną syntezą chemiczną i walidacją eksperymentalną, interdyscyplinarny zespół naukowców z Uniwersytetu Illinois Urbana-Champaign otworzył czarną skrzynkę, aby znaleźć zasady chemiczne, na których opierała się sztuczna inteligencja, aby ulepszyć cząsteczki do pozyskiwania energii słonecznej.
Postępy w stabilności cząsteczek zbierających światło
W rezultacie uzyskano cząsteczki wychwytujące światło czterokrotnie bardziej stabilne niż punkt wyjścia, a także uzyskano nowe, istotne informacje na temat tego, co czyni je stabilnymi – kwestia chemiczna, która utrudnia rozwój materiałów.
Interdyscyplinarnym zespołem naukowców kierowali wspólnie profesor chemii Uniwersytetu I. Martin Burke, profesor inżynierii chemicznej i biomolekularnej Ying Diao, profesor chemii Nicholas Jackson oraz profesor nauk o materiałach i inżynierii Charles Schroeder, we współpracy wraz z Uniwersytetem w Toronto chemii profesora Alana Aspuru-Guzika. Wyniki opublikowali dzisiaj (28 sierpnia) w czasopiśmie Natura.
„Nowe narzędzia AI mają niesamowitą moc. Jeśli jednak spróbujesz otworzyć maskę i zrozumieć, co robią, zazwyczaj nie pozostanie ci nic przydatnego” – powiedział Jackson. „W przypadku chemii może to być bardzo frustrujące. Sztuczna inteligencja może pomóc nam zoptymalizować cząsteczkę, ale nie może nam powiedzieć, dlaczego jest to optymalne rozwiązanie — jakie są ważne właściwości, struktury i funkcje? W ramach naszego procesu zidentyfikowaliśmy, co zapewnia tym cząsteczkom większą fotostabilność. Zamieniliśmy czarną skrzynkę AI w przezroczystą szklaną kulę.”
Rozwiązywanie fotostabilności za pomocą eksperymentów w pętli zamkniętej
Motywacją badaczy było pytanie, jak ulepszyć organiczne ogniwa słoneczne, które opierają się na cienkich, elastycznych materiałach, w przeciwieństwie do sztywnych, ciężkich paneli na bazie krzemu, które obecnie są rozmieszczone na dachach i polach.
„To, co utrudnia komercjalizację fotowoltaiki organicznej, to problemy ze stabilnością. Materiały o wysokiej wydajności ulegają degradacji pod wpływem światła, a nie tego oczekuje się od ogniw słonecznych” – powiedział Diao. „Można je wytwarzać i instalować w sposób niemożliwy do wykonania w przypadku krzemu. Potrafią także przekształcać ciepło i światło podczerwone w energię, ale od lat 80. XX wieku problemem jest ich stabilność”.
Przyspieszanie odkryć dzięki chemii modułowej i sztucznej inteligencji
Metoda stanu Illinois, zwana „transferem w pętli zamkniętej”, rozpoczyna się od protokołu optymalizacji kierowanego przez sztuczną inteligencję, zwanego eksperymentami w pętli zamkniętej. Naukowcy poprosili sztuczną inteligencję o optymalizację fotostabilności cząsteczek przechwytujących światło, powiedział Schroeder. Algorytm sztucznej inteligencji dostarczył sugestii dotyczących rodzajów substancji chemicznych, które należy syntetyzować i badać w wielu rundach syntezy w pętli zamkniętej i charakteryzacji eksperymentalnej. Po każdej rundzie nowe dane ponownie włączano do modelu, który następnie dostarczał ulepszonych sugestii, a każda runda była coraz bliżej pożądanego wyniku.
Naukowcy stworzyli 30 nowych kandydatów na substancje chemiczne w ciągu pięciu rund eksperymentów w zamkniętej pętli, dzięki chemii przypominającej elementy składowe i automatycznej syntezie, których pionierami była grupa Burke’a. Prace wykonano w laboratorium Molecule Maker Lab mieszczącym się w Instytucie Zaawansowanej Nauki i Technologii Beckmana na Uniwersytecie I.
„Modułowe podejście do chemii doskonale uzupełnia eksperyment w zamkniętej pętli. Algorytm sztucznej inteligencji żąda nowych danych o maksymalnym potencjale uczenia się, a platforma zautomatyzowanej syntezy cząsteczek może bardzo szybko wygenerować nowe wymagane związki. Związki te są następnie testowane, dane trafiają z powrotem do modelu, a model staje się coraz mądrzejszy” – powiedział Burke, który jest również profesorem w Carle Illinois College of Medicine. „Do tej pory skupialiśmy się głównie na strukturze. Nasza zautomatyzowana synteza modułowa osiągnęła teraz poziom eksploracji funkcji.
Odkrywanie tajemnic stabilności molekularnej
Zamiast po prostu kończyć zapytanie produktami końcowymi wyróżnionymi przez sztuczną inteligencję, jak w typowej kampanii prowadzonej przez sztuczną inteligencję, proces transferu w zamkniętej pętli miał na celu dalsze odkrycie ukrytych zasad, które uczyniły nowe cząsteczki bardziej stabilnymi.
W trakcie eksperymentu w zamkniętej pętli inny zestaw algorytmów stale przyglądał się powstałym cząsteczkom, opracowując modele cech chemicznych umożliwiających przewidywanie stabilności w świetle, powiedział Jackson. Po zakończeniu eksperymentu modele dostarczyły nowych hipotez, które można było przetestować w laboratorium.
„Wykorzystujemy sztuczną inteligencję do generowania hipotez, które możemy zweryfikować, aby następnie zainicjować nowe kampanie odkrywcze kierowane przez człowieka” – powiedział Jackson. „Teraz, gdy mamy pewne fizyczne deskryptory tego, co sprawia, że cząsteczki są fotostabilne, proces selekcji nowych kandydatów na substancje chemiczne jest znacznie prostszy niż ślepe przeszukiwanie przestrzeni chemicznej”.
Aby przetestować swoją hipotezę dotyczącą fotostabilności, badacze zbadali trzy strukturalnie różne cząsteczki wychwytujące światło ze zidentyfikowaną właściwością chemiczną — szczególnym obszarem o wysokiej energii — i potwierdzili, że wybór odpowiednich rozpuszczalników sprawił, że cząsteczki były nawet czterokrotnie bardziej odporne na światło.
„To dowód na to, co można zrobić. Jesteśmy pewni, że możemy zająć się innymi systemami materialnymi, a możliwości ogranicza jedynie nasza wyobraźnia. Docelowo przewidujemy interfejs, za pomocą którego badacze będą mogli wprowadzić żądaną funkcję chemiczną, a sztuczna inteligencja wygeneruje hipotezy do sprawdzenia” – powiedział Schroeder. „Ta praca może zostać zrealizowana wyłącznie dzięki multidyscyplinarnemu zespołowi oraz ludziom, zasobom i infrastrukturze, którą mamy w Illinois, a także naszemu współpracownikowi w Toronto. Pięć grup połączyło siły, aby wygenerować nowe spostrzeżenia naukowe, które nie byłyby możliwe, gdyby żaden z podzespołów działał w izolacji”.
Odniesienie: „Transfer w pętli zamkniętej umożliwia AI pozyskiwanie wiedzy chemicznej” 28 sierpnia 2024 r., Natura.
DOI: 10.1038/s41586-024-07892-1
Praca ta była wspierana przez Molecule Maker Lab Institute, program AI Research Institutes wspierany przez amerykańską National Science Foundation w ramach grantu nr. 2019897.
