Computer haben die wissenschaftliche Erkenntnis bereits beschleunigt. Doch jetzt sagen Wissenschaftler*innen, dass eine Kombination aus fortschrittlicher künstlicher Intelligenz (KI) und Cloud Computing der nächsten Generation das Tempo der Entdeckungen auf eine Höhe bringt, die noch vor wenigen Jahren unvorstellbar war. Microsoft und das Pacific Northwest National Laboratory (PNNL) in Richland, Washington, arbeiten zusammen, um zu demonstrieren, wie diese Beschleunigung der Chemie und der Materialwissenschaft nützen kann – zwei Wissenschaftsbereiche, die für die Suche nach Energielösungen, die die Welt braucht, von zentraler Bedeutung sind.
Wissenschaftler*innen des PNNL erproben ein neues Batteriematerial, das innerhalb weniger Wochen und nicht erst nach etlichen Jahren gefunden wurde. Dies ist Teil der Zusammenarbeit mit Microsoft, um fortschrittliche KI und High-Performance Computing (HPC) zu nutzen: eine Art von Cloud-basiertem Computing, das eine große Anzahl von Computern kombiniert, um komplexe wissenschaftliche und mathematische Aufgaben zu lösen.
Im Rahmen dieser Bemühungen setzte das Quantum-Team von Microsoft KI ein, um rund 500.000 stabile Materialien in nur wenigen Tagen zu identifizieren.
Das neue Material für Batterien ist das Ergebnis einer Zusammenarbeit, bei der Microsofts Azure Quantum Elements eingesetzt wurde, um in nur 80 Stunden aus 32 Millionen potenziellen anorganischen Materialien 18 vielversprechende Kandidaten auszuwählen, die für die Entwicklung von Batterien eingesetzt werden könnten. Vor allem aber bahnt diese Arbeit einen neuen Weg, um Lösungen für dringende Nachhaltigkeits-, Pharma- und andere Herausforderungen zu beschleunigen, und gibt einen Ausblick auf die Fortschritte, die durch Quantencomputing möglich werden.
„Wir sind der Meinung, dass dies in einer Reihe von wissenschaftlichen Bereichen möglich ist“, sagt Brian Abrahamson, Chief Digital Officer beim PNNL. „Die jüngsten technologischen Fortschritte haben die Möglichkeit eröffnet, wissenschaftliche Entdeckungen zu beschleunigen.“
Das PNNL ist ein Labor des US-Energieministeriums, das in verschiedenen Bereichen forscht, darunter Chemie und Materialwissenschaften. Zu seinen Zielen gehören Energiesicherheit und Nachhaltigkeit. Das machte es zu einem idealen Partner für Microsoft, um mit Hilfe fortschrittlicher KI-Modelle neue Kandidaten für Batteriematerialien zu entdecken.
„Die Entwicklung neuartiger Batterien ist eine sehr wichtige globale Herausforderung“, sagt Abrahamson. „Es ist ein arbeitsintensiver Prozess. Menschen sind bei der Entwicklung und Erprobung von Materialien fundamental eingeschränkt.“
Lernen durch Versuch und Irrtum
Der traditionelle erste Schritt bei der Materialsynthese besteht darin, alle veröffentlichten Studien über andere Materialien zu lesen und Hypothesen darüber aufzustellen, wie verschiedene Ansätze funktionieren könnten. „Doch eine der größten Herausforderungen ist, dass die Leute nur ihre Erfolgsgeschichten veröffentlichen, aber nicht ihre Misserfolgsgeschichten“, sagt Vijay Murugesan, Leiter der Gruppe Materialwissenschaften am PNNL. Das bedeutet, dass Wissenschaftler*innen nur selten davon profitieren, aus Fehlern anderer zu lernen.
Der nächste traditionelle wissenschaftliche Schritt ist das Erproben der Hypothesen, was in der Regel ein langer, iterativer Prozess ist. „Wenn es nicht funktioniert, gehen wir wieder zurück ans Zeichenbrett“, sagt Murugesan. Bei einem seiner früheren Projekte am PNNL, einer Vanadium-Redox-Flow-Batterietechnologie, dauerte es mehrere Jahre, bis ein Problem gelöst und ein neues Material entwickelt war.
Die traditionelle Methode erfordert zu prüfen, wie man verbessern kann, was in der Vergangenheit getan wurde. Ein anderer Ansatz bestünde darin, alle Möglichkeiten in Erwägung zu ziehen und durch schrittweisen Ausschluss etwas Neues zu finden. Die Entwicklung neuer Materialien erfordert viele Berechnungen, und die Chemie wird wahrscheinlich eine der ersten Anwendungen für Quantencomputing sein. Azure Quantum Elements bietet ein Cloud-Computing-System an, das für die Chemie und die materialwissenschaftliche Forschung im Hinblick auf das spätere Quantencomputing entwickelt wurde, und arbeitet bereits an solchen Modellen, Werkzeugen und Arbeitsabläufen. Diese Modelle werden für künftige Quantencomputer verbessert werden, aber sie erweisen sich jetzt schon als nützlich, um wissenschaftliche Entdeckungen mit herkömmlichen Computern voranzutreiben.
Um seine Fortschritte in der realen Welt zu bewerten, konzentrierte sich das Microsoft-Team auf etwas, das in unserem Leben allgegenwärtig ist: Materialien für Batterien.
Werkstoffkunde der KI beibringen
Microsoft hat zunächst verschiedene KI-Systeme trainiert, um komplizierte Bewertungen aller brauchbaren Elemente vorzunehmen und Kombinationen vorzuschlagen. Der Algorithmus schlug 32 Millionen Kandidaten vor – wie bei der Suche nach einer Nadel im Heuhaufen. Anschließend suchte das KI-System alle Materialien heraus, die stabil waren. Ein anderes KI-Tool filterte die in Frage kommenden Moleküle auf der Grundlage ihrer Reaktivität heraus und ein weiteres nach ihrem Potenzial, Energie zu leiten.
Dabei geht es nicht darum, jede einzelne mögliche Nadel in dem hypothetischen Heuhaufen zu finden, sondern die meisten von den guten. Microsofts KI-Technologie reduzierte die 32 Millionen Kandidaten erst auf etwa 500.000 meist neue und stabile Materialien – und dann auf 800.
„Bei jedem Simulationsschritt, bei dem ich eine quantenchemische Berechnung durchführen müsste, rufe ich stattdessen das maschinelle Lernmodell auf. Ich erhalte also immer noch den Einblick und die detaillierten Beobachtungen, die sich aus der Ausführung der Simulation ergeben, aber die Simulation kann bis zu einer halben Million Mal schneller sein“, sagt Nathan Baker, Product Leader für Azure Quantum Elements.
KI mag schnell sein, aber sie ist nicht perfekt präzise. Der nächste Satz von Filtern verwendet High-Performance-Computing (HPC), das eine hohe Genauigkeit bietet, aber viel Rechenleistung benötigt. Das macht es zu einem guten Werkzeug für eine kleinere Gruppe von Materialkandidaten. Bei der ersten HPC-Verifizierung wurde die Dichtefunktionaltheorie verwendet, um die Energie jedes Materials im Verhältnis zu allen anderen Zuständen zu berechnen, die es einnehmen könnte. Dann kamen Molekulardynamiksimulationen zum Einsatz, die KI und HPC kombinierten, um die Bewegungen der Atome und Moleküle in jedem Material zu analysieren.
Dieser Prozess reduzierte die Liste auf 150 Kandidaten. Und schließlich bewerteten die Microsoft-Wissenschaftler*innen mithilfe von HPC die Praxistauglichkeit der einzelnen Materialien – Verfügbarkeit, Kosten usw. – und reduzierten die Liste auf 23, von denen fünf bereits bekannt waren.
Dank dieser Kombination aus KI und HPC dauerte die Entdeckung der aussichtsreichsten Materialkandidaten nur 80 Stunden.
Auf den HPC-Anteil entfielen zehn Prozent der Rechenzeit – und das für eine bereits gezielte Auswahl von Molekülen. Diese intensive Rechenleistung ist der Engpass. Selbst an Universitäten und Forschungseinrichtungen, die über Supercomputer verfügen, die nicht nur nicht auf einen bestimmten Bereich zugeschnitten sind, sondern auch gemeinsam genutzt werden. Dann nämlich müssen die Forscher*innen unter Umständen warten, bis sie an der Reihe sind. Die Cloud-basierten KI-Tools von Microsoft schaffen hier Abhilfe.
Breite Anwendungen und Zugänglichkeit
Die Microsoft-Wissenschaftler*innen setzten KI ein, um den größten Teil der Auswahl zu treffen, was etwa 90 Prozent der aufgewendeten Rechenzeit ausmachte. Die Materialwissenschaftler*innen des PNNL haben dann diese verkürzte Liste auf ein halbes Dutzend Kandidatenmaterialien reduziert. Da die KI-Tools von Microsoft für die Chemie und nicht nur für Batteriesysteme trainiert sind, können sie für jede Art von Materialforschung verwendet werden – und die Cloud ist jederzeit zugänglich.
„Wir sind der Meinung, dass die Cloud eine enorme Ressource für die Verbesserung der Zugangsmöglichkeiten für Forschungsgemeinschaften ist“, sagt Abrahamson.
Heute stellt Microsoft einen chemiespezifischen Copiloten und KI-Tools bereit, die zusammen wie ein Magnet wirken, der mögliche Nadeln aus dem Heuhaufen herauszieht und die Zahl der Kandidaten für die weitere Erforschung reduziert. Damit die Wissenschaftler*innen wissen, worauf sie sich konzentrieren müssen. „Die Vision, auf die wir hinarbeiten, sind generative Materialien, bei denen ich nach einer Liste neuer Batteriestoffe mit meinen gewünschten Eigenschaften fragen kann“, sagt Baker.
Das Projekt befindet sich jetzt in der Praxisphase. Das Material wurde erfolgreich synthetisiert und in Batterie-Prototypen verarbeitet, die funktionsfähig sind und mehrere Tests im Labor durchlaufen werden. Die Herstellung des Materials ist zu diesem Zeitpunkt, bevor es vermarktet wird, noch Handarbeit. Einer der ersten Schritte besteht darin, feste Vorstufen der Materialien zu nehmen und sie von Hand mit Mörser und Stößel zu zermahlen, erklärt Shannon Lee, Materialwissenschaftlerin am PNNL. Anschließend verwendet sie eine hydraulische Presse, um das Material zu einem Pellet in Form eines Würfels zu verdichten. Es kommt in eine Vakuumröhre und wird auf 450 bis 650 Grad Celsius erhitzt, in einen Behälter gebracht, um es von Sauerstoff oder Wasser fernzuhalten, und dann zu einem Pulver für die Analyse gemahlen.
Bei diesem Material erweist sich das etwa zehnstündige Verfahren als „relativ schnell“, sagt Lee. „Manchmal dauert es eine Woche oder zwei Wochen, um ein einziges Material herzustellen.“
Danach müssen Hunderte von funktionierenden Batterien in Tausenden von verschiedenen Ladezyklen und unter verschiedenen Bedingungen getestet werden sowie später verschiedene Batterieformen und -größen. Erst so zeigt sich, ob eine kommerzielle Nutzung möglich ist. Murugesan träumt von der Entwicklung eines digitalen Zwillings für Chemie oder Materialien, „damit man nicht in ein Labor gehen und dieses Material herstellen und eine Batterie erproben muss. Man kann sagen: ‚Das ist meine Anode, das ist meine Kathode, das ist der Elektrolyt und das ist die Spannung, die ich anlegen werde‘. Und dann kann das System vorhersagen, wie alles zusammen funktionieren wird. Selbst Details wie die Materialleistung nach 10.000 Zyklen und fünf Jahren Nutzung werden so dargestellt.“
Microsoft arbeitet bereits an digitalen Werkzeugen, um die anderen Teile des wissenschaftlichen Prozesses zu beschleunigen.
Der langwierige traditionelle Prozess wird durch Lithium-Ionen-Batterien veranschaulicht: Lithium wurde bereits Anfang 1900 als Batteriekomponente entdeckt, doch erst in den 1990er Jahren kamen wiederaufladbare Lithium-Ionen-Batterien auf den Markt.
Heute wird unsere Welt zunehmend von Lithium-Ionen-Batterien angetrieben – von Telefonen über medizinische Geräte und Elektrofahrzeuge bis hin zu Satelliten. Nach Angaben des US-Energieministeriums wird der Lithiumbedarf bis 2030 voraussichtlich um das Fünf- bis Zehnfache steigen. Lithium ist schon jetzt relativ knapp und damit teuer. Seine Gewinnung ist zudem ökologisch und geopolitisch problematisch. Herkömmliche Lithium-Ionen-Batterien sind auch ein Sicherheitsproblem, weil sie in Brand geraten oder explodieren können.
Viele Forschende sind auf der Suche nach Alternativen, sowohl für Lithium als auch für die Materialien, die als Elektrolyte genutzt werden. Festkörperelektrolyte sind aufgrund ihrer Stabilität und Sicherheit vielversprechend.
Überraschende Ergebnisse
Das neu entdeckte Material, das die PNNL-Wissenschaftler*innen derzeit testen, verwendet sowohl Lithium als auch Natrium sowie einige andere Elemente. Dadurch wird der Lithiumgehalt erheblich reduziert, möglicherweise um bis zu 70 Prozent. Der Prozess befindet sich noch in einem frühen Stadium, die genaue chemische Zusammensetzung muss noch optimiert werden und könnte sich bei umfangreicheren Tests als unzureichend erweisen, gibt Abrahamson zu bedenken. Er weist darauf hin, dass es hier nicht um dieses spezielle Batteriematerial geht, sondern vielmehr um die Geschwindigkeit, mit der ein Material identifiziert wurde. Die Wissenschaftler*innen sagen, dass diese Vorgehensweise sehr wertvoll ist und einige Überraschungen zutage gefördert hat.
Das mithilfe von KI gewonnene Material ist ein Festkörperelektrolyt. Die Ionen wandern durch den Elektrolyten zwischen Kathode und Anode hin und her, im Idealfall mit nur minimalem Widerstand.
Bisher ging man davon aus, dass Natrium- und Lithium-Ionen nicht zusammen in einem Festkörperelektrolytsystem verwendet werden können, weil sie ähnlich geladen sind, aber unterschiedliche Größen haben. Zudem vermutete man, dass das strukturelle Gerüst eines Festkörperelektrolytmaterials die Bewegung von zwei verschiedenen Ionen nicht zulassen würde. Aber nach den Tests, sagt Murugesan, „haben wir festgestellt, dass sich die Natrium- und Lithiumionen gegenseitig zu helfen scheinen“.
Das neue Material hat außerdem einen weiteren Vorteil, sagt Baker, denn seine Molekularstruktur hat von Natur aus eingebaute Kanäle, die beiden Ionen helfen, sich durch den Elektrolyten zu bewegen.
Die Arbeit an dem neuen Material befindet sich noch im Anfangsstadium. Aber „unabhängig davon, ob es sich langfristig um eine brauchbare Batterie handelt, ist die Geschwindigkeit, mit der wir eine brauchbare Batteriechemie gefunden haben, ziemlich überzeugend“, sagt Abrahamson.
Weitere Entdeckungen sind immer noch möglich. Murugesan und sein Team müssen die meisten anderen neuen Materialkandidaten, die Microsofts Modelle vorschlugen, noch herstellen und erproben.
Die Zusammenarbeit wird fortgesetzt, wobei die Computer-Chemiker*innen des PNNL lernen, die neuen Tools zu nutzen. Dazu gehört auch ein Copilot, der mit Chemie und anderen wissenschaftlichen Veröffentlichungen trainiert wurde.
„Microsoft und das PNNL – das ist eine dauerhafte Zusammenarbeit zur Beschleunigung wissenschaftlicher Entdeckungen. Sie bringt die Leistung der computergestützten Paradigmenwechsel zum Tragen sowie die Chemie und Materialwissenschaft, die zu den besonderen Stärken des Pacific Northwest National Laboratory gehören“, sagt Abrahamson.
„Wir stehen an der Schwelle zur Reifung der KI-Modelle, der Rechenleistung für ihr Training und um sie nutzbar zu machen sowie der Fähigkeit, sie auf spezifischen wissenschaftlichen Gebieten mit spezifischer Intelligenz zu trainieren“, fügt er hinzu. „Wir glauben, dass dies eine neue Ära der Beschleunigung einleiten wird. Das ist aufregend, denn diese Aufgabenstellungen sind wichtig für die Welt.“
Für mehr Informationen empfehlen wir:
-
- Blogpost „Unlocking a new era for scientific discovery with AI: How Microsoft’s AI screened over 32 million candidates to find a better battery“ von Dr. Nathan Baker, Senior Director, Partnerships for Chemistry and Materials, Microsoft
- Blogpost der Microsoft Corporation „Discoveries in weeks, not years: How AI and high-performance computing are speeding up scientific discovery“ von Catherine Bolgar
- Pressemeldung des Pacific Northwest National Laboratory „PNNL Kicks Off Multi-Year Energy Storage, Scientific Discovery Collaboration with Microsoft„
- Blogpost der Microsoft Corporation „Azure Quantum Elements aims to compress 250 years of chemistry into the next 25“ von Jake Siegel
- Offizielle Produkt-Website von Azure Quantum Elements
*Das Beitragsbild zeigt Dan Thien Nguyen, Materialwissenschaftler von PNNL. Foto: Dan DeLong
Ein Beitrag von Catherine Bolgar
Autorin von Microsoft
