Blackbox der künstlichen Intelligenz geknackt und chemischen Schlüssel zur Solarenergie und mehr gefunden

Screening-Prozess für neue chemische Kandidaten wird dramatisch einfacher als die blinde Suche im chemischen Raum

10.09.2024

Symbolbild

Computer-generated image

künstliche Intelligenz ist ein leistungsfähiges Werkzeug für Forscher, aber mit einer erheblichen Einschränkung: Die Unfähigkeit zu erklären, wie sie zu ihren Entscheidungen kommt, ein Problem, das als "KI-Blackbox" bekannt ist. Durch die Kombination von künstlicher Intelligenz mit automatisierter chemischer Synthese und experimenteller Validierung hat ein interdisziplinäres Forscherteam der University of Illinois Urbana-Champaign die Blackbox geöffnet, um die chemischen Prinzipien zu finden, auf die sich die künstliche Intelligenz stützte, um Moleküle für die Nutzung von Sonnenenergie zu verbessern.

Das Ergebnis sind Lichtsammelmoleküle, die viermal stabiler sind als die Ausgangsmoleküle, und entscheidende neue Erkenntnisse darüber, was diese Moleküle stabil macht - eine chemische Frage, die die Materialentwicklung bisher behindert hat.

Das interdisziplinäre Forscherteam wurde von Martin Burke, Chemieprofessor an der University of California, Ying Diao, Chemieprofessor und Professor für Biomolekulartechnik, Nicholas Jackson, Chemieprofessor und Charles Schroeder, Professor für Materialwissenschaft und -technik, geleitet und arbeitete mit Alán Aspuru-Guzik, Chemieprofessor an der University of Toronto, zusammen. Sie veröffentlichten ihre Ergebnisse in der Zeitschrift Nature.

Eine neue Technik an der Advanced Light Source zeigt, was (von links nach rechts) in der Sekunde passiert, bevor, während und nachdem ein Tropfen eines Erstarrungsmittels eine flüssige Vorläuferlösung in ein Perowskit-Solarmaterial verwandelt.

Neue Technik ebnet den Weg für perfekte Perowskite

News lesen

"Neue KI-Werkzeuge sind unglaublich leistungsfähig. Aber wenn man versucht, die Haube zu öffnen und zu verstehen, was sie tun, bleibt meist nichts Nützliches übrig", so Jackson. "Für die Chemie kann das sehr frustrierend sein. KI kann uns helfen, ein Molekül zu optimieren, aber sie kann uns nicht sagen, warum es optimal ist - was sind die wichtigen Eigenschaften, Strukturen und Funktionen? Durch unseren Prozess haben wir herausgefunden, was diesen Molekülen eine größere Fotostabilität verleiht. Wir haben die Black Box AI in eine transparente Glaskugel verwandelt".

Die Forscher wurden durch die Frage motiviert, wie organische Solarzellen verbessert werden können, die auf dünnen, flexiblen Materialien basieren, im Gegensatz zu den starren, schweren, siliziumbasierten Paneelen, die heute auf Dächern und Feldern zu finden sind.

"Was die Kommerzialisierung der organischen Photovoltaik behindert, sind Probleme mit der Stabilität. Leistungsstarke Materialien zersetzen sich, wenn sie dem Licht ausgesetzt werden, was bei Solarzellen nicht erwünscht ist", so Diao. "Sie können auf eine Weise hergestellt und installiert werden, die mit Silizium nicht möglich ist, und sie können auch Wärme und Infrarotlicht in Energie umwandeln, aber die Stabilität ist seit den 1980er Jahren ein Problem.

Die Methode von Illinois, die als "Closed-Loop-Transfer" bezeichnet wird, beginnt mit einem KI-gesteuerten Optimierungsprotokoll, das als Closed-Loop-Experiment bezeichnet wird. Die Forscher baten die KI, die Photostabilität von Lichtsammelmolekülen zu optimieren, so Schroeder. Der KI-Algorithmus machte Vorschläge, welche Arten von Chemikalien synthetisiert und in mehreren Runden der Closed-Loop-Synthese und experimentellen Charakterisierung untersucht werden sollten. Nach jeder Runde wurden die neuen Daten wieder in das Modell eingearbeitet, das dann verbesserte Vorschläge lieferte, wobei jede Runde dem gewünschten Ergebnis näher kam.

Dank der bausteinartigen Chemie und der automatisierten Synthese, für die Burkes Gruppe Pionierarbeit geleistet hat, konnten die Forscher in fünf Runden der Closed-Loop-Experimente 30 neue chemische Kandidaten entwickeln. Die Arbeit wurde im Molecule Maker Lab durchgeführt, das im Beckman Institute for Advanced Science and Technology an der University of Illinois untergebracht ist.

"Der modulare Ansatz in der Chemie ist eine wunderbare Ergänzung zum Closed-Loop-Experiment. Der KI-Algorithmus fordert neue Daten mit maximalem Lernpotenzial an, und die automatisierte Molekülsyntheseplattform kann die benötigten neuen Verbindungen sehr schnell erzeugen. Diese Verbindungen werden dann getestet, die Daten fließen wieder in das Modell ein, und das Modell wird intelligenter - immer und immer wieder", so Burke, der auch Professor am Carle Illinois College of Medicine ist. "Bis jetzt haben wir uns weitgehend auf die Struktur konzentriert. Unsere automatisierte modulare Synthese ist nun in den Bereich der Erforschung der Funktion vorgedrungen.

Anstatt die Abfrage einfach mit den von der KI ausgewählten Endprodukten zu beenden, wie es bei einer typischen KI-gesteuerten Kampagne der Fall ist, versuchte der Closed-Loop-Transferprozess darüber hinaus, die verborgenen Regeln aufzudecken, die die neuen Moleküle stabiler machten.

Während das Closed-Loop-Experiment lief, untersuchte ein anderer Satz von Algorithmen kontinuierlich die hergestellten Moleküle und entwickelte Modelle für chemische Merkmale, die die Stabilität bei Licht vorhersagen, so Jackson. Nach Abschluss des Experiments lieferten die Modelle neue, im Labor überprüfbare Hypothesen.

"Wir nutzen KI, um Hypothesen zu generieren, die wir validieren können, um dann neue, von Menschen betriebene Entdeckungskampagnen anzustoßen", so Jackson. "Jetzt, da wir einige physikalische Beschreibungen dafür haben, was Moleküle photostabil macht, wird der Screening-Prozess für neue chemische Kandidaten dramatisch einfacher als die blinde Suche im chemischen Raum."

Um ihre Hypothese über die Photostabilität zu testen, untersuchten die Forscher drei strukturell unterschiedliche Lichtsammelmoleküle mit der von ihnen identifizierten chemischen Eigenschaft - einem bestimmten Hochenergiebereich - und bestätigten, dass die Wahl der richtigen Lösungsmittel die Moleküle bis zu viermal lichtstabiler machte.

"Dies ist ein Grundsatzbeweis dafür, was möglich ist. Wir sind zuversichtlich, dass wir andere Materialsysteme ansprechen können, und die Möglichkeiten sind nur durch unsere Vorstellungskraft begrenzt. Wir stellen uns eine Schnittstelle vor, über die Forscher eine gewünschte chemische Funktion eingeben können und die KI Hypothesen zum Testen generiert", so Schroeder. "Diese Arbeit war nur mit einem multidisziplinären Team und den Menschen, Ressourcen und Einrichtungen möglich, die wir in Illinois und bei unserem Kooperationspartner in Toronto haben. Fünf Gruppen haben sich zusammengetan, um neue wissenschaftliche Erkenntnisse zu gewinnen, die nicht möglich gewesen wären, wenn eines der Unterteams isoliert gearbeitet hätte."

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Nicholas H. Angello, David M. Friday, Changhyun Hwang, Seungjoo Yi, Austin H. Cheng, Tiara C. Torres-Flores, Edward R. Jira, Wesley Wang, Alán Aspuru-Guzik, Martin D. Burke, Charles M. Schroeder, Ying Diao, Nicholas E. Jackson; "Closed-loop transfer enables artificial intelligence to yield chemical knowledge"; Nature, 2024-8-28

https://www.chemie.de/news/1184389/blackbox-der-kuenstlichen-intelligenz-geknackt-und-chemischen-schluessel-zur-solarenergie-und-mehr-gefunden.html