化学家们创建了一种生成性人工智能模型，简化了识别粉末晶体材料结构的过程。该模型可以帮助研究人员表征适合各种应用的材料，包括电池和磁铁。
一个多世纪以来，科学家们利用X射线晶体学来确定金属、岩石和陶瓷等晶体材料的结构。
当处理完整晶体时，这种技术最为有效；然而，科学家们往往只能获得这些材料的粉末版本，这些粉末中包含随机的晶体碎片。这种随机性使得重构整体结构变得复杂。
麻省理工学院的研究人员现在推出了一种新的生成性人工智能模型，旨在促进对粉末晶体的分析。这个预测模型有望使研究人员受益，帮助他们表征用于电池和磁铁等各种用途的材料。
“了解结构是任何材料的基础。这对超导性、磁铁和光伏材料相关的应用至关重要。它在任何以材料为中心的应用中都发挥着重要作用，”麻省理工学院化学系弗雷德里克·乔治·凯斯教授丹娜·弗里德曼说。
弗里德曼和斯坦福大学计算机科学教授尤雷·莱斯科维奇是发表在《美国化学学会杂志》上的研究的资深作者。主要作者包括麻省理工学院研究生埃里克·里塞尔和耶鲁大学本科生塔赫·麦基。
独特的模式
晶体材料包括金属和其他无机固体，它们由组成相同且重复单元的晶格构成。这些单元可以视作“盒子”，其内部具有精确排列的原子，形状和大小各不相同。
当X射线击中这些晶格时，由于与不同原子的相互作用，它们以不同的角度和强度发生衍射，从而提供关于原子位置及其相互连接的数据。自20世纪初以来，这一方法被用于研究多种材料，包括具有晶体结构的生物分子，如DNA和某些蛋白质。
然而，对于仅以粉末形式存在的材料，由于随机碎片的影响，确定其结构变得极为困难，因为这些碎片并不代表原晶体的完整三维结构。
“原始晶格仍然存在；我们所称之为粉末的其实是一组微晶。因此，尽管它们在随机方向上，但它们保持着与大晶体相同的晶格结构，”弗里德曼解释道。
成千上万种材料的可用X射线衍射模式仍未解决。为了破解这些结构，弗里德曼及其团队利用包含超过150,000种材料的材料项目数据库的数据训练了一种机器学习模型。他们最初将数万种材料输入到一个现有模型中，该模型模拟预期的X射线衍射模式。然后，他们使用这些模式进一步训练他们的人工智能模型，名为Crystalyze，以根据X射线模式预测结构。
该模型将结构预测任务分为几个部分。首先，它确定晶格“盒子”的大小和形状，并选择适合放入其中的原子。接下来，它预测原子在盒子内的排列。对于每组衍射模式，模型生成多个潜在结构，这些结构可以输入到另一个预测这些结构的衍射模式的模型中进行评估。
“我们的生成性人工智能模型生成它未曾遇到的输出，允许我们生成许多不同的假设，”里塞尔提到。“我们可以生成一百个猜测，然后将它们与实际的粉末模式进行比较。如果预测的模式完全匹配输入，我们便确认我们达到了正确的结构。”
揭示未知结构
研究团队在数据库中对各种模拟衍射模式测试了该模型。他们还将其与来自RRUFF数据库的100多个实验衍射模式进行评估，该数据库存储近14,000种自然晶体矿物的粉末X射线衍射数据，这些矿物被排除在训练集之外。在这些测试中，模型正确率大约为67%。接着，他们在来自粉末衍射文件的数据上测试了未曾解决的衍射模式，该文件包含超过400,000种材料的已解决和未解决的信息。
运用他们的模型，团队为超过100种之前未解决的模式识别了结构。他们还将该模型应用于发现弗里德曼实验室中通过高压合成元素创造的三种新材料的结构，这些元素通常在常压条件下不反应。这种方法可以导致新材料展现出截然不同的晶体结构和物理特性，同时保持相同的化学成分。
例如，由纯碳构成的石墨和金刚石就说明了这一原理。弗里德曼实验室中新开发的每种材料包含铋和另一种元素，可能为设计用于永久磁铁的创新材料铺平道路。
“我们从现有数据中发现了许多新材料，最重要的是，解决了三种直到现在未知的结构，这些结构代表了这些元素的首个新二元相，”弗里德曼说。
确定粉末晶体材料结构的能力对几乎所有与材料相关领域的研究人员都具有潜在的好处，如麻省理工学院团队所示，他们已在crystalyze.org上提供了该模型的网络接口。
这项研究得到了美国能源部和国家科学基金会的资助。
