AI ontwerpt nieuwe materialen beter als het ook naar de elektronen kijkt
Onderzoekers van de Universiteit van Tokio leerden het AI-model MatterGen van Microsoft om bij elk nieuw kristal ook de verdeling van de elektronen mee te ontwerpen. Daardoor bedenkt het model vaker materialen die stabiel én nieuw zijn.
Nieuwe materialen zijn nodig voor betere batterijen, zuinigere chips en efficiëntere zonnecellen. Maar zo'n materiaal vinden is lastig. Vroeger ging dat vooral met vallen en opstaan in het lab. Tegenwoordig helpt de computer, maar ook dan kost het veel rekenwerk om duizenden kandidaten door te rekenen.
Onderzoekers van de Universiteit van Tokio hebben nu een AI-model verbeterd dat zelf nieuwe materialen bedenkt. Hun versie heet MatterGen-e⁻. Het model ontwerpt niet alleen hoe de atomen in een kristal liggen, maar ook hoe de elektronen over die atomen verdeeld zijn. Het onderzoek werd geleid door Teruyasu Mizoguchi van het Institute of Industrial Science van de universiteit. Eerste auteur is Ibuki Okuda. Het werk is verschenen in het vaktijdschrift npj Computational Materials.
Eerst de eigenschap, dan het materiaal
De onderzoekers werken aan inverse design, omgekeerd ontwerpen. Je zegt eerst welke eigenschap je wilt hebben, en de AI ontwerpt een kristal dat daarbij past. Zo'n eigenschap is bijvoorbeeld de bandafstand. Die bepaalt of een materiaal stroom geleidt en welk licht het kan opvangen. Dat is belangrijk voor chips en zonnecellen. Een andere eigenschap is de vormingsenergie: hoe lager die is, hoe stabieler de verbinding.
Microsoft Research presenteerde begin 2025 MatterGen, een AI-model dat nieuwe kristallen bedenkt. Het werkt een beetje zoals een AI-beeldgenerator. Het begint met een willekeurige wolk atomen en schuift die stap voor stap naar een geloofwaardig kristal. Daarbij kijkt het naar welke atomen er zijn, waar ze zitten en hoe het rooster eruitziet. Volgens de Japanse onderzoekers is het lastig om met de beperkte hoeveelheid beschikbare data rechtstreeks te leren hoe zo'n opbouw samenhangt met een eigenschap.
De elektronen als tussenstap
In de natuurkunde worden de eigenschappen van een materiaal grotendeels bepaald door de elektronen. Daarom gaf het team het model per atoom twee extra gegevens mee. De eerste is de Bader-lading: hoeveel elektrische lading bij elk atoom hoort. De tweede is de toestandsdichtheid. Dat is een soort vingerafdruk van de energieniveaus die de elektronen rond dat atoom kunnen innemen. Het model leert die gegevens tegelijk met de kristalstructuur te ontwerpen.
"De elektronische structuur bepaalt fysiek een eigenschap van het materiaal en hangt sterk af van hoe de atomen in de buurt zijn gerangschikt", zegt Okuda. "Onze elektronische gegevens vormen daarom een tussenstap tussen structuur en eigenschap."
Wat de tests laten zien
De onderzoekers trainden hun model en een versie van MatterGen zonder elektronische gegevens op dezelfde set van ongeveer twintigduizend bekende kristallen. Bij elke opdracht ontwierp elk model 1024 kristallen. Die werden daarna met nauwkeurige natuurkundige berekeningen gecontroleerd: is het kristal stabiel, chemisch mogelijk, uniek en echt nieuw?
Het grootste verschil zat bij een lastige opdracht: kristallen met een heel lage vormingsenergie, dus zeer stabiele verbindingen. Die zijn zeldzaam. In de trainingsdata ging het om 0,4 procent van de kristallen. Bij het gewone model voldeed 8,3 procent van de ontwerpen aan alle eisen én kwam het dicht bij het doel. Met de elektronische gegevens was dat 12,2 tot 13,8 procent.
Bij opdrachten voor een bepaalde bandafstand waren de verschillen kleiner. Bij twee van de drie geteste waarden deed het nieuwe model het beter, bij de derde ongeveer even goed. Belangrijker: bij het nieuwe model bleef de kwaliteit van de ontwerpen op peil. Bij het gewone model daalde het aandeel stabiele, nieuwe kristallen juist zodra je er een eigenschap bij opgaf.
Het model levert bij elk ontwerp ook meteen de elektronenverdeling mee. De Bader-ladingen kwamen goed overeen met nauwkeurige berekeningen. De toestandsdichtheid klopte in grote lijnen, vooral bij overgangsmetalen zoals ijzer. Bij lichte elementen zoals koolstof en stikstof was die minder nauwkeurig.
Betekenis telt, niet de hoeveelheid
Een slimme controletest liet zien waar de winst vandaan komt. De onderzoekers gaven het model per atoom ook eens een willekeurig getal zonder natuurkundige betekenis mee, of Bader-ladingen met veel ruis. Dan verbeterden de ontwerpen niet. Volgens Mizoguchi bewijst dat dat de kwaliteit van de elektronische informatie telt, en niet hoeveel extra gegevens je het model geeft.
Wat komt hierna
Omdat de elektronische gegevens per atoom worden bepaald, is de aanpak niet beperkt tot complete kristallen. Volgens de onderzoekers kan hij ook helpen bij het ontwerpen van oppervlakken en grensvlakken tussen materialen. Daar bepalen de elektronen rond afzonderlijke atomen vaak de eigenschappen, bijvoorbeeld bij katalysatoren en chips. Dat moet nog worden getest. Ook bestaan de nieuw ontworpen kristallen voorlopig alleen in de computer: ze zijn nog niet in een lab gemaakt.
Wat betekent dit voor de weg naar de singulariteit?
Snellere vooruitgang vraagt om betere materialen: voor chips, batterijen, zonnecellen en de energie-opslag die datacenters nodig hebben. AI kan dat zoekwerk enorm versnellen, maar loopt vaak tegen een tekort aan data aan. Dit onderzoek laat een slimme uitweg zien: geef het model natuurkundige kennis als tussenstap, en het leert meer van dezelfde data. Dat principe kan ook buiten de materiaalkunde nuttig zijn. Elke stap die AI helpt om sneller nieuwe materialen te vinden, versnelt de technologie waarop AI zelf draait.
