Met AI kunnen onderzoekers nu de kleinste kristallen identificeren

Eén al lang bestaand probleem heeft levensreddende medicijnen buitenspel gezet, de volgende generatie batterijen vastgelopen en verhinderden archeologen om de oorsprong van oude artefacten te identificeren.

Al meer dan 100 jaar gebruiken wetenschappers een methode genaamd Crystallography om de atomaire structuur van materialen te bepalen. De methode werkt door een röntgenstraal door een materiaalmonster te schijnen en het patroon te observeren dat het produceert. Uit dit patroon – een diffractiepatroon – is het theoretisch mogelijk om de exacte opstelling van atomen in het monster te berekenen.

De uitdaging is echter dat deze techniek alleen goed werkt als onderzoekers grote, pure kristallen hebben. Wanneer ze genoegen moeten nemen met een poeder van minuscule stukken – nanokristallen aangedaan – verwijst de methode alleen naar de ongeziene structuur.

Wetenschappers van Columbia Engineering hebben een algoritme voor machine learning gecreëerd dat het patroon van nanokristallen kan observeren om de atomaire structuur van het materiaal af te leiden, zoals beschreven in een nieuwe studie gepubliceerd in Natuurmaterialen.

In veel gevallen bereikt hun algoritme bijna perfecte reconstructie van de structuur op atoomschaal uit de sterk afgebroken diffractie-informatie-een prestatie slechts een paar jaar geleden ondenkbaar.

“De AI heeft dit probleem opgelost door alles te leren wat het zou kunnen uit een database van vele duizenden bekende, maar niet -gerelateerde structuren”, zegt Simon Billinge, professor in de materiaalwetenschap en toegepaste fysica en toegepaste wiskunde bij Columbia Engineering. “Net zoals Chatgpt de taalpatronen leert, leerde het AI -model de patronen van atomaire arrangementen die de natuur toestaat.”

Crystallography Transformed Science

Kristallografie is van vitaal belang voor de wetenschap omdat het de meest effectieve methode is om de eigenschappen van vrijwel elk materiaal te begrijpen. De methode is meestal afhankelijk van een techniek genaamd röntgendiffractie, waarin wetenschappers energetische stralen schieten op een kristal en het patroon van lichte en donkere vlekken opnemen die het produceert, een beetje als een schaduw.

Wanneer kristallografen deze techniek gebruiken om een ​​groot en puur monster te analyseren, bevatten de resulterende röntgenpatronen alle informatie die nodig is om de structuur op atoomniveau te bepalen. De methode is het best bekend om de ontdekking van de dubbele helixstructuur van DNA en heeft belangrijke wegen van onderzoek in de geneeskunde, halfgeleiders, energieopslag, forensische wetenschap, archeologie en tientallen andere gebieden geopend.

Helaas hebben onderzoekers vaak alleen toegang tot monsters van zeer kleine kristallieten, of atomaire clusters, in de vorm van poeder of gesuspendeerd in oplossing. In deze gevallen bevatten de röntgenpatronen veel minder informatie, veel te weinig voor onderzoekers om de atoomstructuur van de steekproef te bepalen met behulp van bestaande methoden.

AI breidt de methode uit naar nanodeeltjes

Het team trainde een generatief AI-model op 40.000 bekende atomaire structuren om een ​​systeem te ontwikkelen dat deze inferieure röntgenpatronen kan begrijpen. De machine learning-techniek, diffusiegeneratieve modellering genoemd, kwam voort uit de statistische fysica en kreeg onlangs bekendheid voor het mogelijk maken van AI-gegenereerde kunstprogramma’s zoals Midjourney en Sora.

“Uit eerder werk wisten we dat diffractiegegevens van nanokristallen niet voldoende informatie bevatten om het resultaat op te leveren,” zei Billinge. “Het algoritme gebruikte zijn kennis van duizenden niet -gerelateerde structuren om de diffractiegegevens te vergroten.”

Om de techniek toe te passen op kristallografie, begonnen de wetenschappers met een dataset van 40.000 kristalstructuren en doordrenkten de atoomposities totdat ze niet te onderscheiden waren van willekeurige plaatsing. Vervolgens hebben ze een diep neuraal netwerk getraind om deze bijna willekeurig geplaatste atomen te verbinden met hun bijbehorende röntgendiffractiepatronen.

Het net gebruikte deze waarnemingen om het kristal te reconstrueren. Ten slotte plaatsten ze de door AI gegenereerde kristallen door een procedure genaamd Rietveld-verfijning, die in wezen kristallen in de dichtstbijzijnde optimale toestand “schommelt”, gebaseerd op het diffractiepatroon.

Hoewel vroege versies van dit algoritme worstelden, leerde het uiteindelijk om kristallen veel effectiever te reconstrueren dan de onderzoekers hadden verwacht. Het algoritme was in staat om de atomaire structuur te bepalen uit kristallen van nanometer-formaat van verschillende vormen, inclusief monsters die te moeilijk waren gebleken voor eerdere experimenten om te karakteriseren.

“De Powder Crystallography Challenge is een zusterprobleem voor het beroemde eiwitvouwprobleem waarbij de vorm van een molecuul indirect is afgeleid van een lineaire gegevenshandtekening,” zei Hod Lipson, James en Sally Scapa Professor of Innovation en voorzitter van de afdeling Mechanical Engineering at Columbia Engineering, die, met Billinge, samengevoegde de studie.

“Wat me met name opwindt, is dat met relatief weinig achtergrondkennis in de natuurkunde of geometrie AI in staat was om een ​​puzzel op te lossen die menselijke onderzoekers een eeuw lang verbijsterd heeft. Dit is een teken van dingen die komen voor veel andere gebieden die langdurige uitdagingen worden geconfronteerd.”

De puzzel van de eeuwenoude poederkristallografie is vooral zinvol voor Lipson, die de kleinzoon is van Henry Lipson CBE FRS (1910–1991), die pionierde pionier met computationele kristallografiemethoden.

In de jaren dertig werkte Henry Lipson samen met Bragg en andere tijdgenoten om vroege wiskundige technieken te ontwikkelen die in grote lijnen werden gebruikt om de eerste complexe moleculen op te lossen, zoals penicilline, wat leidde tot de Nobelprijs voor chemie van 1964.

Gabe Guo BS’24, momenteel een Ph.D. Student aan de Stanford University, die het project leidde terwijl hij senior was in Columbia, zei: “Toen ik op de middelbare school zat, worstelde het veld om algoritmen te bouwen die katten van honden konden vertellen. Nu onderstrepen studies zoals de onze de massale kracht van AI om de kracht van menselijke wetenschappers te vergroten en te versnellen in nieuwe niveaus.”