MIT-Ergebnisse erscheinen in der Hauptausgabe von Nature: Innerhalb von 90 Tagen absolvierte der "KI-Wissenschaftler" 3.500 elektrochemische Tests.

Das Team um Ju Li von der Massachusetts Institute of Technology (MIT) in den Vereinigten Staaten hat eine Forschungsarbeit in der international renommierten Fachzeitschrift Nature veröffentlicht. Darin wird eine multimodale Robot-Plattform namens CRESt (Copilot for Real-world Experimental Scientists) vorgestellt. Durch die Kombination von materialgestütztem Design, das von multimodalen Modellen (die Textwissen, chemische Zusammensetzung und mikrostrukturelle Informationen integrieren) angetrieben wird, mit Hochdurchsatz-Automatisierungsversuchen, wird die Geschwindigkeit und Qualität der Katalysatorentwicklung erheblich verbessert.

Einer der zentralen Herausforderungen in der experimentellen Materialwissenschaft ist es, wie man in einem riesigen chemischen Entwurfsraum effizient optimieren kann.

Herkömmliche Entdeckungsmethoden verlassen sich oft auf ein einmodales aktives Lernframework, das also nur eine Art von Daten nutzt, wie beispielsweise die Zuordnung zwischen Elementzusammensetzung und Eigenschaften.

Die von dem Team um Ju Li von der MIT veröffentlichte CRESt-Plattform setzt sich zum Ziel, verschiedene Formen von Daten durch automatisierte Experimente zu sammeln und diese in ein gemeinsames aktives Lernframework, nämlich das Wissensunterstützte Bayes'sche Optimierungsverfahren (KABO), zu integrieren.

Link zur Studie: https://www.nature.com/articles/s41586-025-09640-5

Das Robotersystem gewährleistet die genaue Kontrolle der chemischen Zusammensetzung. Ein Hochdurchsatz-Rasterelektronenmikroskop liefert mikrostrukturelle Bilder, die durch Computervision analysiert werden, während ein großes Sprachmodell das Literaturwissen in den Suchraum einbettet.

Diese verschiedenen Datenquellen werden vektoriell verarbeitet, und durch die Hauptkomponentenanalyse wird der Großteil der Varianzinformation beibehalten, was den Optimierungsprozess effizienter macht.

Die optimierte Rezeptur wird anschließend auf die Elementzusammensetzung abgebildet und experimentell getestet, wodurch sich eine geschlossene Schleife zwischen Materialdesign, Herstellung und Testung ergibt.

Darüber hinaus ist eine weitere algorithmische Innovation die Strategieverbesserte beschränkte Bayes'sche Optimierung (BOPIC). Hierbei werden Lagrange-Multiplikatoren eingeführt, um das Gleichgewicht zwischen Exploration und Exploitation dynamisch einzustellen und so die manuelle Parameteranpassung zu vermeiden.

CRESt hat innerhalb von nur drei Monaten über 900 chemische Zusammensetzungen von Katalysatoren und über 3500 elektrochemische Tests durchgeführt und in ternären und oktanären Systemen chemische Rezepturen gefunden, die im Vergleich zu herkömmlichen, optimalen rein palladiumbasierten Katalysatoren eine erhebliche Leistungssteigerung aufweisen.

Abgesehen von der Verbesserung des Algorithmus haben die Forscher auch eines der häufigsten Probleme in der experimentellen Wissenschaft angegangen: die mangelnde Reproduzierbarkeit von Experimentergebnissen.

Obwohl ein Roboter eingesetzt wurde, führte die Inkonsistenz bei der Synthese und beim Testen zunächst zu starkem Datenrauschen, was die Effektivität des aktiven Lernens verringerte.

Um dieses Problem zu lösen, hat das Team lange Zeit (durch Fotografie und Videografie) nicht reproduzierbare Phänomene in den Experimenten gesammelt und diskutiert, wie beispielsweise thermische, elektrische, magnetische oder sogar durch festgefahrene menschliche Vorstellungen verursachte experimentelle Fehler. CRESt nutzt visuelle Sprachmodelle (VLMs), um die Experimente zu unterstützen, die Quellen der Nicht-Reproduzierbarkeit zu diagnostizieren und Korrekturmaßnahmen vorzuschlagen.

Beispielsweise hat das Modell festgestellt, dass eine Verschiebung der Pipettenspitze im Mikrometerbereich dazu führen kann, dass das Kohlepapier-Substrat verschoben wird, was wiederum zu einer großen Abweichung aller Probenpositionen führt. In einem anderen Fall hat das VLM erkannt, dass die Oberfläche eines laserbeschnittenen Holzprobenhalters verkohlte Spuren aufweist, was zu Größenänderungen führt.

Die Forscher haben auf der Grundlage dieser Rückmeldung auf Edelstahlhalter umgestellt, was die Stabilität und Konsistenz erheblich verbessert hat. Um die diagnostische Fähigkeit des Systems zu bewerten, hat das Forschungs-Team einen kleinen Datensatz mit Frage-Antwort-Paaren auf der Grundlage von fehlgeschlagenen Experimenten zusammengestellt.

Diese Beispiele zeigen, dass VLMs nicht nur verborgene Fehler diagnostizieren können, sondern auch in einer Sprache ausdrücken, die für Wissenschaftler leicht verständlich ist, wodurch der Fehlerbehebungsvorgang beschleunigt und die manuelle Intervention reduziert wird.

Während der Experimente hat das Team einen oktanären Hochentropielegierungskatalysator entdeckt, der aus Pd, Pt, Cu, Au, Ir, Ce, Nb und Cr besteht.

Im Vergleich zu einer reinen Palladium-Benchmarkprobe hat dieser Katalysator eine 9,3-fache Erhöhung der Leistungsdichte pro Kosten erreicht und in einer Direkt-Formiat-Brennstoffzelle die bisher höchste Leistung erzielt, wobei nur ein Viertel der bisherigen Edelmetallbeladung erforderlich ist.

Die Röntgenbeugung und die Rietveld-Verfeinerungsanalyse bestätigen, dass die optimierte Rezeptur eine einheitliche flächenzentrierte kubische Phase beibehält. Dies zeigt, dass die Legierungsstrategie die kristallographische Stabilität aufrechterhalten kann, während gleichzeitig die lokale Koordinationsumgebung angepasst wird.

Um den Mechanismus der Leistungssteigerung zu verstehen, haben die Forscher in-situ-Röntgenabsorptionsspektroskopie (XAS) mit Dichtefunktionaltheorie (DFT)-Berechnungen kombiniert.

Die Spektrenergebnisse zeigen, dass Palladium und Platin unter Reaktionsbedingungen in metallischem Zustand bleiben, was von entscheidender Bedeutung ist, da ihre Oxide nahezu keine katalytische Aktivität haben.

Das Dotieren mit Nb, Cr und Ce führt zu kleinen strukturellen Störungen, ohne jedoch eine deutliche Gitterverzerrung zu verursachen, wodurch die elektronischen Wechselwirkungen verändert werden, während die strukturelle Integrität aufrechterhalten bleibt.

Die DFT-Berechnungen zeigen, dass die Aktivierungsenergie des geschwindigkeitsbestimmenden Schritts des indirekten Oxidationspfads an Palladiumstellen in der Hochentropielegierung –0,005 eV beträgt, während sie bei reinem Palladium 0,706 eV beträgt. Dies bedeutet eine erhebliche Verbesserung der Beständigkeit gegen Kohlenmonoxidvergiftung.

Die Analyse der projizierten Zustandsdichte (PDOS) zeigt weiterhin, dass das d-Bandzentrum von Palladium in der Hochentropielegierung im Vergleich zu reinem Palladium deutlich nach unten verschoben ist, wodurch die Adsorptionsstärke von Wasserstoff und Kohlenmonoxid geschwächt wird und der Desorptionsprozess gefördert wird.

Diese theoretischen Vorhersagen wurden durch Isotopenmarkierungs- und CO-Stripping-Experimente bestätigt, die die höhere Toleranz gegenüber Oberflächenvergiftung bestätigen.

Die Entwicklung von CRESt zeigt, dass die Kombination von multimodaler Künstlicher Intelligenz mit einer automatisierten Robot-Plattform es möglich macht, riesige chemische Entwurfsräume, die bisher unerreichbar waren, tatsächlich zu erkunden. Durch die Einbettung von a priori-Wissen, die adaptive Optimierung und die Nutzung von visuellen Sprachmodellen zur Diagnose von experimentellen Anomalien bietet diese Plattform ein übertragbares Konzept zur Beschleunigung der Entdeckungen in der Chemie und Materialwissenschaft.

Quellen

https://news.mit.edu/2025/ai-system-learns-many-types-scientific-information-and-runs-experiments-discovering-new-materials-0925

Dieser Artikel stammt aus dem WeChat-Account "New Intelligence Yuan", Autor: LRST, veröffentlicht von 36Kr mit Genehmigung.