Yeni malzeme sentezi tarifleri oluşturmaya yönelik Yüksek Lisans tabanlı platform, deneme yanılma yöntemini önemli ölçüde azaltır

Sungkyunkwan Üniversitesi (SKKU) İleri Malzeme Bilimi ve Mühendisliği Okulu’ndan Profesör Sung Beom Cho liderliğindeki bir araştırma ekibi, Ajou Üniversitesi’nden Profesör Jin Sung Park ve Hyunsouk Cho ve Massachusetts Teknoloji Enstitüsü’nden (MIT) Profesör Ju Li’den oluşan ekiplerle işbirliği içinde, karmaşık yeni malzemeler için sentez koşulları ve prosedürleri önermek ve bunları deneysel sonuçlara dayalı olarak yinelemeli olarak iyileştirmek için büyük bir dil modeli (LLM) kullanan bir “kapalı döngü malzeme sentezi planlama platformu” geliştirdi.

Bilim topluluğu son zamanlarda umut verici yeni malzeme adaylarını hızlı bir şekilde belirlemek için çeşitli hesaplama yöntemleri kullanıyor. Ancak bu materyallerin sentezlenmesi, hangi öncüllerin kullanılacağı, hangi sıcaklıkta ve reaksiyonun ne kadar süre devam etmesi gerektiği gibi spesifik koşulları belirlemek için kapsamlı deneme yanılma gerektirir.

Bu deneme yanılma olayını azaltmak için araştırma ekibi, LLM’nin benzer sentez vakaları için mevcut literatürü araştırdığı ve yeni malzemeye uygun tarifler önerdiği bir iş akışı tasarladı.

Çalışma şu tarihte yayınlandı: Gelişmiş Malzemeler

Modelin geçmiş sentezlere göre eğitilmesi

Ekip ilk olarak akademik dergilerde yayınlanan 4.407 açık erişimli katı hal sentez makalesinden önemli sentez bilgilerini (hedef malzemeler, öncüller ve sıcaklık, rpm, basınç ve zaman gibi sentez koşulları) çıkararak bir veritabanı oluşturdu.

Ekip daha sonra, araştırmacının istediği malzeme ve koşullara dayalı olarak mevcut benzer sentez durumlarını araştıran ve buna göre aday tarifler öneren, erişimle artırılmış nesil (RAG) yöntemini uyguladı. Önerilen tarifler gerçek makalelerde bildirilen koşullarla karşılaştırıldığında, temel sentez değişkenleri açısından ortalama 5 üzerinden 4 civarında puan aldılar.

Geri bildirim döngüsü tarifi geliştirir

Ekip, daha önce bildirilmemiş adaylar da dahil olmak üzere, tamamen katı hal pilleri için oksi-selenit bazlı katı elektrolit malzemesine yönelik sentez deneyleri yürütmek üzere bu yapay zeka platformunu kullanmaya devam etti. Başlangıçta AI modeli tarafından önerilen 600°C koşulu altında, hedef malzeme yerine çeşitli safsızlık fazları oluştu.

Ancak ekip bu sonuçları modele geri aktardığında, sentez sıcaklığını kademeli olarak düşüren bir takip tarifi önerdi. Buna dayanarak ekip, 450°C ve 400°C’deki koşulları sırayla test etti ve yalnızca birkaç deneyle, hiçbir tespit edilebilir yabancı madde içermeyen tek fazlı yeni bir malzeme sentezlemeyi başardı.

Laboratuvarda daha az sayıda başarısız çalışma

Bu araştırma, insan bilim adamlarının deneysel deneyimlerini yapay zekanın geniş bir literatürden yararlanma becerisiyle birleştirerek malzeme tasarımında deneme yanılma oranını azaltma ve geliştirme sürelerini kısaltma potansiyelini ortaya koyuyor.

Tıpkı ortaokul ve lise öğrencilerinin çevrimiçi olarak mevcut tariflere bakması ve kendi tariflerini geliştirmek için malzemeleri ve koşulları pişirme sonuçlarına göre ayarlaması gibi, geleceğin bilim adamlarının da deneysel sonuçları hızlı bir şekilde birleştirmek, gereksiz deneme yanılmayı azaltmak ve çok çeşitli yeni malzemeler için sentez yöntemlerini verimli bir şekilde geliştirmek için yapay zekayı kullanması bekleniyor.