Model kecerdasan buatan yang mengubah teks menjadi gambar juga berguna untuk menghasilkan materi baru. Selama beberapa tahun terakhir, model materi generatif dari perusahaan seperti Google, Microsoft, dan Meta telah memanfaatkan data pelatihan mereka untuk membantu peneliti merancang puluhan juta materi baru.
Namun ketika merancang material dengan sifat kuantum eksotis seperti superkonduktivitas atau keadaan magnet yang unik, model tersebut mengalami kesulitan. Sayang sekali, karena manusia bisa menggunakan bantuan tersebut. Misalnya, setelah satu dekade melakukan penelitian terhadap kelas material yang dapat merevolusi komputasi kuantum, yang disebut cairan spin kuantum, hanya selusin kandidat material yang telah diidentifikasi. Kemacetan berarti hanya ada sedikit bahan yang bisa dijadikan dasar terobosan teknologi.
Kini, para peneliti MIT telah mengembangkan teknik yang memungkinkan model material generatif populer menciptakan material kuantum yang menjanjikan dengan mengikuti aturan desain tertentu. Aturan, atau batasan, mengarahkan model untuk menciptakan material dengan struktur unik yang memunculkan sifat kuantum.
“Model dari perusahaan-perusahaan besar ini menghasilkan material yang dioptimalkan untuk stabilitas,” kata Mingda Li, Profesor Pengembangan Karir Angkatan 1947 di MIT. “Perspektif kami adalah bahwa ilmu material tidak berkembang seperti biasanya. Kita tidak memerlukan 10 juta material baru untuk mengubah dunia. Kita hanya memerlukan satu material yang benar-benar bagus.”
Pendekatan ini dijelaskan hari ini dalam a makalah yang diterbitkan oleh Bahan Alam. Para peneliti menerapkan teknik mereka untuk menghasilkan jutaan kandidat material yang terdiri dari struktur kisi geometris yang terkait dengan sifat kuantum. Dari kumpulan itu, mereka mensintesis dua material aktual dengan sifat magnetis yang eksotis.
“Orang-orang di komunitas kuantum sangat peduli dengan batasan geometris ini, seperti kisi Kagome yang merupakan dua segitiga terbalik yang tumpang tindih. Kami membuat material dengan kisi Kagome karena material tersebut dapat meniru perilaku unsur tanah jarang, sehingga material tersebut memiliki kepentingan teknis yang tinggi.” kata Li.
Li adalah penulis senior makalah ini. Rekan penulisnya di MIT termasuk mahasiswa PhD Ryotaro Okabe, Mouyang Cheng, Abhijatmedhi Chotrattanapituk, dan Denisse Cordova Carrizales; pascadoktoral Manasi Mandal; peneliti sarjana Kiran Mak dan Bowen Yu; sarjana tamu Nguyen Tuan Hung; Xiang Fu ’22, PhD ’24; dan profesor teknik elektro dan ilmu komputer Tommi Jaakkola, yang merupakan afiliasi dari Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL) dan Institut Data, Sistem, dan Masyarakat. Rekan penulis tambahan termasuk Yao Wang dari Emory University, Wei Wei Xie dari Michigan State University, YQ Cheng dari Oak Ridge National Laboratory, dan Robert Cava dari Princeton University.
Mengarahkan model menuju dampak
Sifat suatu material ditentukan oleh strukturnya, begitu pula material kuantum. Struktur atom tertentu lebih mungkin menimbulkan sifat kuantum eksotik dibandingkan struktur atom lainnya. Misalnya, kisi persegi dapat berfungsi sebagai platform untuk superkonduktor suhu tinggi, sementara bentuk lain yang dikenal sebagai kisi Kagome dan Lieb dapat mendukung pembuatan material yang berguna untuk komputasi kuantum.
Untuk membantu kelas model generatif populer yang dikenal sebagai model difusi menghasilkan bahan yang sesuai dengan pola geometris tertentu, para peneliti menciptakan SCIGEN (kependekan dari Structural Constraint Integration in GENerative model). SCIGEN adalah kode komputer yang memastikan model difusi mematuhi batasan yang ditentukan pengguna pada setiap langkah pembuatan berulang. Dengan SCIGEN, pengguna dapat memberikan aturan struktur geometris model difusi AI generatif apa pun untuk diikuti saat menghasilkan material.
Model difusi AI bekerja dengan mengambil sampel dari kumpulan data pelatihannya untuk menghasilkan struktur yang mencerminkan distribusi struktur yang ditemukan dalam kumpulan data tersebut. SCIGEN memblokir generasi yang tidak sejalan dengan aturan struktural.
Untuk menguji SCIGEN, para peneliti menerapkannya pada model pembuatan material AI populer yang dikenal sebagai DiffCSP. Mereka meminta model yang dilengkapi SCIGEN menghasilkan material dengan pola geometris unik yang dikenal sebagai kisi Archimedean, yang merupakan kumpulan ubin kisi 2D dari poligon berbeda. Kisi Archimedean dapat menyebabkan serangkaian fenomena kuantum dan telah menjadi fokus banyak penelitian.
“Kisi Archimedean memunculkan cairan spin kuantum dan apa yang disebut pita datar, yang dapat meniru sifat tanah jarang tanpa unsur tanah jarang, jadi ini sangat penting,” kata Cheng, salah satu penulis makalah tersebut. “Bahan kisi Archimedean lainnya memiliki pori-pori besar yang dapat digunakan untuk menangkap karbon dan aplikasi lainnya, sehingga merupakan kumpulan bahan khusus. Dalam beberapa kasus, tidak ada bahan yang diketahui memiliki kisi tersebut, jadi menurut saya akan sangat menarik untuk menemukan bahan pertama yang cocok dengan kisi tersebut.”
Model ini menghasilkan lebih dari 10 juta kandidat material dengan kisi Archimedean. Satu juta dari material tersebut selamat dari pemeriksaan stabilitas. Dengan menggunakan superkomputer di Laboratorium Nasional Oak Ridge, para peneliti kemudian mengambil sampel yang lebih kecil yaitu 26.000 material dan menjalankan simulasi terperinci untuk memahami bagaimana perilaku atom yang mendasari material tersebut. Para peneliti menemukan magnetisme pada 41 persen struktur tersebut.
Dari bagian tersebut, para peneliti mensintesis dua senyawa yang belum ditemukan sebelumnya, TiPdBi dan TiPbSb, di laboratorium Xie dan Cava. Eksperimen selanjutnya menunjukkan bahwa sebagian besar prediksi model AI selaras dengan sifat material sebenarnya.
“Kami ingin menemukan material baru yang dapat memiliki potensi dampak besar dengan menggabungkan struktur yang telah diketahui menimbulkan sifat kuantum,” kata Okabe, penulis pertama makalah tersebut. “Kita sudah tahu bahwa material dengan pola geometris tertentu ini menarik, jadi wajar untuk memulainya.”
Mempercepat terobosan material
Cairan putaran kuantum dapat membuka kunci komputasi kuantum dengan mengaktifkan qubit yang stabil dan tahan kesalahan yang berfungsi sebagai dasar operasi kuantum. Namun belum ada material cair spin kuantum yang telah dikonfirmasi. Xie dan Cava yakin SCIGEN dapat mempercepat pencarian material ini.
“Ada pencarian besar-besaran untuk material komputer kuantum dan superkonduktor topologi, dan ini semua terkait dengan pola geometris material,” kata Xie. “Namun kemajuan eksperimental sangat, sangat lambat,” tambah Cava. “Banyak dari material cair spin kuantum ini tunduk pada batasan: Mereka harus berada dalam kisi segitiga atau kisi Kagome. Jika material tersebut memenuhi batasan tersebut, para peneliti kuantum akan bersemangat; ini adalah kondisi yang perlu tetapi tidak cukup. Jadi, dengan menghasilkan banyak sekali material seperti itu, hal ini akan segera memberikan ratusan atau ribuan kandidat lagi kepada para peneliti untuk mempercepat penelitian material komputer kuantum.”
“Pekerjaan ini menghadirkan alat baru, memanfaatkan pembelajaran mesin, yang dapat memprediksi bahan mana yang akan memiliki elemen tertentu dalam pola geometris yang diinginkan,” kata Profesor Steve May dari Universitas Drexel, yang tidak terlibat dalam penelitian ini. “Hal ini akan mempercepat pengembangan material yang sebelumnya belum dijelajahi untuk aplikasi teknologi elektronik, magnetik, atau optik generasi mendatang.”
Para peneliti menekankan bahwa eksperimen masih penting untuk menilai apakah material yang dihasilkan AI dapat disintesis dan bagaimana sifat sebenarnya dibandingkan dengan prediksi model. Pekerjaan di masa depan pada SCIGEN dapat memasukkan aturan desain tambahan ke dalam model generatif, termasuk kendala kimia dan fungsional.
“Orang-orang yang ingin mengubah dunia lebih mementingkan sifat material dibandingkan stabilitas dan struktur material,” kata Okabe. “Dengan pendekatan kami, rasio material yang stabil menurun, namun hal ini membuka pintu untuk menghasilkan sejumlah material yang menjanjikan.”
Pekerjaan ini sebagian didukung oleh Departemen Energi AS, Pusat Komputasi Ilmiah Penelitian Energi Nasional, National Science Foundation, dan Laboratorium Nasional Oak Ridge.
