Read the English version here
Komputasi telah mempercepat penemuan ilmiah. Kini, para ilmuwan mengatakan bahwa kombinasi AI canggih dengan cloud computing generasi selanjutnya akan mempercepat laju penemuan dengan kecepatan yang beberapa tahun lalu masih tidak terbayangkan.
Microsoft dan Pacific Northwest National Laboratory (PNNL) di Richland, Washington, berkolaborasi untuk mendemonstrasikan bagaimana kemajuan ini dapat memberikan manfaat bagi ilmu kimia dan ilmu material – dua bidang keilmuan yang sangat penting untuk menemukan solusi energi yang dibutuhkan dunia.
Para ilmuwan di PNNL sedang menguji bahan baterai baru yang ditemukan dalam hitungan minggu, bukan tahun, sebagai bagian dari kolaborasi dengan Microsoft untuk penggunaan AI dan komputasi berkinerja tinggi (high-performance computing/HPC), suatu jenis komputasi berbasis cloud yang menggabungkan banyak komputer untuk menyelesaikan tugas-tugas ilmiah dan matematika yang kompleks.
Sebagai bagian dari upaya ini, tim Microsoft Quantum menggunakan AI untuk mengidentifikasi sekitar 500.000 material stabil hanya dalam waktu beberapa hari.
Bahan baterai baru ini merupakan hasil dari kolaborasi menggunakan Azure Quantum Elements Microsoft untuk menyaring 32 juta bahan anorganik potensial menjadi 18 kandidat menjanjikan yang dapat digunakan dalam pengembangan baterai hanya dalam waktu 80 jam. Yang paling penting, karya ini membuka jalan baru untuk mempercepat hadirnya solusi sustainability, farmasi, dan tantangan lainnya yang mendesak, sembari memberikan gambaran tentang kemajuan yang dapat diraih dengan komputasi kuantum (quantum computing).
“Kami merasa ada peluang untuk melakukan hal ini di sejumlah bidang keilmuan,” kata Brian Abrahamson, Chief Digital Officer PNNL. “Kemajuan teknologi terkini telah membuka peluang untuk mempercepat penemuan ilmiah.”
PNNL merupakan laboratorium Departemen Energi AS yang melakukan penelitian di beberapa bidang, termasuk kimia dan ilmu material, dan tujuannya mencakup keamanan dan keberlanjutan energi. Hal ini menjadikan PNNL sebagai kolaborator Microsoft yang ideal untuk memanfaatkan model AI canggih, guna menemukan kandidat bahan baterai baru.
“Pengembangan baterai baru merupakan tantangan dunia yang sangat penting,” kata Abrahamson. “Ini merupakan proses yang padat karya. Mensintesis dan menguji bahan dengan skala manusia pada dasarnya memiliki keterbatasan.”
Belajar melalui trial and error
Langkah pertama yang biasa dilakukan dalam sintesis material adalah membaca semua penelitian yang telah dipublikasikan tentang material lain dan membuat hipotesis tentang bagaimana pendekatan yang berbeda mungkin akan berhasil. “Namun, salah satu tantangan utamanya adalah orang cenderung akan mempublikasikan kisah sukses mereka, bukan kegagalan mereka,” ujar Vijay Murugesan, Materials Sciences Group Lead PNNL. Alhasil, ilmuwan jarang mendapat pelajaran berarti dari kegagalan yang dialami satu sama lain.
Langkah ilmiah tradisional berikutnya adalah menguji hipotesis, yang biasanya merupakan proses panjang dan berulang. “Jika gagal, kami akan kembali ke papan gambar lagi,” kata Murugesan. Salah satu proyek Vijay di PNNL sebelumnya, teknologi baterai aliran redoks vanadium, membutuhkan beberapa tahun untuk memecahkan masalah dan merancang material baru.
Metode tradisional mengharuskan kita untuk melihat cara meningkatkan apa yang telah dilakukan di masa lalu. Pendekatan lain adalah dengan mengambil semua kemungkinan dan, melalui eliminasi, menemukan sesuatu yang baru. Merancang material baru membutuhkan banyak perhitungan, dan kimia kemungkinan besar akan menjadi salah satu aplikasi pertama quantum computing. Azure Quantum Elements menawarkan sistem cloud computing yang dirancang untuk penelitian kimia dan ilmu material, dengan tujuan akhir yakni quantum computing. Azure Quantum Elements juga telah mengerjakan model, alat, dan alur kerja semacam ini. Model-model ini akan ditingkatkan untuk quantum computing di masa depan, tetapi model-model ini telah terbukti berguna untuk memajukan penemuan ilmiah dengan menggunakan komputer tradisional.
Untuk mengevaluasi kemajuannya di dunia nyata, tim Microsoft Quantum berfokus pada sesuatu yang ada di segala aspek kehidupan kita, yaitu bahan untuk baterai.
Mengajarkan ilmu material ke AI
Pertama, Microsoft melatih berbagai sistem AI untuk melakukan evaluasi yang canggih terhadap semua elemen yang dapat bekerja, dan untuk menyarankan sejumlah kombinasi. Algoritma tersebut mengusulkan 32 juta kandidat – seperti mencari jarum di tumpukan jerami. Selanjutnya, sistem AI menemukan semua material yang stabil. Alat AI lain menyaring molekul dari kandidat yang ada berdasarkan reaktivitas mereka, dan yang lain berdasarkan potensi mereka untuk menghantarkan energi.
Tujuannya bukan untuk menemukan setiap jarum dalam tumpukan jerami, tetapi untuk menemukan sebagian yang mumpuni. Teknologi AI dari Microsoft menyaring 32 juta kandidat tersebut menjadi sekitar 500.000 bahan stabil yang sebagian besar baru, kemudian menjadi 800.
“Pada setiap langkah simulasi yang mengharuskan saya untuk menjalankan perhitungan kimia kuantum, saya beralih menggunakan model pembelajaran mesin (machine learning). Jadi, saya masih mendapatkan wawasan dan observasi rinci yang didapat dari simulasinya, namun simulasi tersebut dapat berjalan hingga setengah juta kali lebih cepat,” pungkas Nathan Baker, Product Leader for Azure Quantum Elements.
AI mungkin bekerja dengan cepat, tetapi tidak sepenuhnya akurat. Serangkaian filter berikutnya menggunakan HPC (high-performance computing), yang memberikan akurasi tinggi tetapi menggunakan banyak daya komputasi. Ini menjadikannya sebagai alat yang baik untuk seperangkat kecil kandidat material. Verifikasi HPC pertama dilakukan menggunakan teori fungsional kerapatan (density functional theory) untuk menghitung energi setiap material relatif terhadap semua kondisi lain yang mungkin terjadi. Kemudian dilakukan simulasi dinamika molekuler yang menggabungkan AI dan HPC untuk menganalisis pergerakan atom dan molekul di dalam setiap material.
Proses ini memangkas daftar yang ada menjadi 150 kandidat. Akhirnya, ilmuwan Microsoft menggunakan HPC untuk mengevaluasi kemanjuran setiap bahan – ketersediaan, biaya, dan sebagainya – untuk memangkas kandidatnya lagi menjadi 23, lima di antaranya sudah dikenal sebelumnya.
Berkat kombinasi AI-HPC ini, penemuan kandidat material yang paling menjanjikan hanya membutuhkan waktu 80 jam.
Porsi HPC menyumbang 10 persen dari waktu yang dihabiskan untuk komputasi – dan ini dilakukan pada sekumpulan molekul yang sudah ditargetkan. Komputasi yang intens merupakan hambatannya, bahkan di universitas dan lembaga penelitian yang memiliki komputer berspesifikasi tinggi, yang bukan hanya tidak disesuaikan untuk domain tertentu tetapi juga digunakan bersama, sehingga para peneliti harus menunggu giliran menggunakan alat. AI berbasis cloud dari Microsoft mampu meringankan situasi ini.
Aksesibilitas dan penerapan yang luas
Ilmuwan Microsoft menggunakan AI untuk melakukan sebagian besar penyaringan, terhitung sekitar 90 persen dari waktu komputasi yang dihabiskan. Para ilmuwan material PNNL kemudian memeriksa daftar singkat tersebut hingga menjadi setengah lusin kandidat bahan. Karena AI Microsoft sudah dilatih untuk bidang kimia, bukan hanya sistem baterai, alat ini dapat digunakan untuk semua jenis penelitian material, dan cloud selalu dapat diakses.
“Menurut kami, cloud adalah sumber daya yang luar biasa dalam meningkatkan aksesibilitas komunitas penelitian,” kata Abrahamson.
Saat ini, Microsoft mendukung copilot khusus kimia dan alat-alat AI yang bersama-sama bertindak layaknya magnet yang menarik jarum dari tumpukan jerami, memangkas jumlah kandidat untuk eksplorasi lebih lanjut sehingga para ilmuwan tahu harus fokus ke mana. “Visi yang sedang kami upayakan adalah bahan generatif di mana saya bisa meminta daftar senyawa baterai baru dengan atribut yang saya inginkan,” kata Baker.
Saat ini, proyek ini sedang berada dalam tahap praktik. Bahan telah berhasil disintesis dan diubah menjadi prototipe baterai yang fungsional dan akan menjalani beberapa pengujian di laboratorium. Pembuatan material pada tahap ini, sebelum dikomersialkan, masih bersifat artisanal. Salah satu langkah pertama adalah mengambil prekursor padat dari material dan menggilingnya dengan tangan menggunakan lesung dan alu, jelas Shannon Lee, seorang ilmuwan material PNNL. Dia kemudian menggunakan mesin press hidrolik untuk memadatkan bahan menjadi pelet berbentuk seperti uang koin. Pelet tersebut dimasukkan ke dalam tabung vakum dan dipanaskan sampai 450 hingga 650 derajat Celcius (842 hingga 1202 derajat Fahrenheit), dipindahkan ke dalam kotak untuk menjauhkannya dari oksigen atau air, lalu digiling menjadi bubuk untuk dianalisis.
Untuk material ini, proses selama 10 jam atau lebih dianggap “relatif cepat,” ujar Lee. “Kadang-kadang diperlukan waktu seminggu atau dua minggu untuk membuat satu bahan.”
Kemudian ratusan baterai yang berfungsi harus diuji menggunakan lebih dari ribuan siklus pengisian daya yang berbeda dan kondisi lainnya, serta bentuk dan ukuran baterai yang berbeda untuk mewujudkan penggunaan komersial. Murugesan memimpikan pengembangan digital twin untuk kimia atau material, “jadi Anda tidak perlu pergi ke laboratorium untuk menyatukan bahan ini dan membuat baterai serta mengujinya. Anda bisa mengatakan, ‘ini adalah anoda saya dan ini adalah katoda saya, dan itu adalah elektrolit dan ini adalah berapa tegangan listrik yang akan saya terapkan,’ dan kemudian dapat memprediksi bagaimana semuanya akan bekerja bersama. Bahkan bisa memberikan detail seperti bagaimana performa material setelah 10.000 siklus pengisian daya dan lima tahun penggunaan.”
Microsoft saat ini sedang mengerjakan perangkat digital untuk mempercepat bagian proses ilmiah lain.
Proses tradisional yang panjang bisa diilustrasikan dengan baterai lithium-ion. Litium mendapat perhatian sebagai komponen baterai pada awal tahun 1900-an, tetapi baterai lithium-ion yang dapat diisi ulang baru masuk ke pasar pada tahun 1990-an.
Saat ini, baterai lithium-ion semakin banyak digunakan di seluruh dunia, mulai dari ponsel, perangkat medis, kendaraan listrik, hingga satelit. Permintaan litium diperkirakan akan meningkat lima hingga sepuluh kali lipat pada tahun 2030, menurut Departemen Energi AS. Litium sudah relatif langka, dan harganya mahal. Penambangannya bermasalah secara lingkungan dan geopolitik. Baterai lithium-ion tradisional juga menimbulkan masalah keselamatan, dengan potensi terbakar atau meledak.
Banyak peneliti yang mencari alternatif, baik untuk litium maupun bahan yang digunakan sebagai elektrolit. Elektrolit jenis padat menjanjikan stabilitas dan keselamatan.
Hasil-hasil yang mengejutkan
Material yang baru ditemukan yang oleh para ilmuwan PNNL saat ini sedang diuji menggunakan litium dan natrium, serta beberapa elemen lainnya, sehingga mengurangi kandungan litium secara signifikan – kemungkinan hingga 70 persen. Ini masih dalam tahap awal – bahan kimia yang tepat harus dioptimalkan dan mungkin tidak akan berhasil saat diuji dalam skala yang lebih besar, Abrahamson mengingatkan. Dia menunjukkan bahwa fokus di sini bukan pada bahan baterainya, melainkan kecepatan di mana suatu material bisa diidentifikasi. Para ilmuwan mengatakan bahwa penelitian ini sangat berharga, dan beberapa kejutan pun telah terungkap.
Bahan yang berasal dari AI ini adalah sebuah elektrolit padat. Ion berpindah bolak-balik melalui elektrolit, antara katoda dan anoda, idealnya dengan resistansi minimal.
Awalnya, ion natrium dan ion litium dianggap tidak dapat digunakan bersamaan dalam sistem elektrolit padat karena keduanya memiliki muatan yang sama tetapi memiliki ukuran yang berbeda. Ada asumsi bahwa kerangka struktural bahan elektrolit padat tidak dapat mendukung pergerakan dua ion yang berbeda. Tetapi setelah melakukan pengujian, Murugesan mengatakan, “kami menemukan bahwa ion natrium dan litium tampaknya saling membantu.”
Material baru ini memiliki bonus, ujar Baker, karena struktur molekulnya secara alami memiliki saluran bawaan yang membantu kedua ion bergerak melalui elektrolit.
Pengerjaan material baru ini masih dalam tahap awal, tetapi “terlepas dari apakah ini merupakan baterai yang layak untuk jangka panjang, cukup menarik untuk melihat betapa cepatnya kami dapat menemukan kimia baterai yang dapat diterapkan,” kata Abrahamson.
Penemuan-penemuan selanjutnya masih mungkin terjadi. Murugesan dan timnya belum membuat dan menguji sebagian besar kandidat material baru lainnya yang disarankan oleh model Microsoft. Kolaborasi ini terus berlanjut, dengan para ahli kimia komputasi PNNL yang belajar menggunakan alat-alat baru tersebut, termasuk copilot yang terlatih dalam bidang kimia dan keilmuan lainnya.
“Dengan Microsoft dan PNNL, ini adalah kolaborasi yang berkelanjutan untuk mempercepat penemuan ilmiah, dengan membawa kekuatan pergeseran paradigma komputasional, melalui ilmu kimia dan ilmu material yang menjadi kekuatan unik dari Pacific Northwest National Laboratory,” ujar Abrahamson.
“Kita berada di ambang kematangan model kecerdasan buatan, daya komputasi yang diperlukan untuk melatih dan membuatnya berguna, dan kemampuan untuk melatihnya pada domain ilmiah tertentu dengan kecerdasan khusus,” tambahnya. “Kami yakin hal itu akan membawa era percepatan baru. Ini sangat menarik, karena masalah-masalah ini penting bagi dunia.”
Tautan terkait:
- Baca Membuka era baru penemuan ilmiah dengan AI: Bagaimana AI Microsoft menyaring lebih dari 32 juta kandidat untuk menemukan baterai yang lebih baik
- Baca Azure Quantum Elements aims to compress 250 years of chemistry into the next 25
- Pelajari lebih lanjut tentang Azure Quantum Elements
- Baca: PNNL-Microsoft Collaboration: Accelerating Scientific Discovery
- Baca siaran pers PNNL: PNNL Mulai Kolaborasi Penyimpanan Energi dan Penemuan Ilmiah dengan Microsoft
Gambar utama: Dan Thien Nguyen, seorang ilmuwan material PNNL, merakit sel koin dengan elektrolit padat yang disintesis. Dengan AI yang memandu para peneliti, sintesis dan pengujian dapat difokuskan ke arah yang benar menuju material yang lebih baik untuk penerapan tertentu. Foto oleh Dan DeLong untuk Microsoft.
###