dZiner: Rational Inverse Design of Materials with AI Agents

Jüng­ste Durch­brüche im Bere­ich des maschinellen Ler­nens und der kün­stlichen Intel­li­genz, die sich auf wis­senschaftliche Dat­en stützen, rev­o­lu­tion­ieren die Ent­deck­ung neuer Mate­ri­alien. Trotz der Fülle der vorhan­de­nen wis­senschaftlichen Lit­er­atur sind sowohl struk­turi­erte exper­i­mentelle Dat­en als auch chemis­ches Fach­wis­sen, das leicht in datenges­teuerte Arbeitsabläufe inte­gri­ert wer­den kann, nur begren­zt ver­füg­bar. Die Moti­va­tion, diese Infor­ma­tio­nen sowie zusät­zlichen Kon­text aus First-Prin­ci­ple-Berech­nun­gen und physikalisch informierten Deep-Learn­ing-Sur­ro­gat­mod­ellen zu inte­gri­eren, beste­ht darin, eine effiziente Erkun­dung des rel­e­van­ten chemis­chen Raums zu ermöglichen und Struk­tur-Eigen­schafts­beziehun­gen neuer Mate­ri­alien a pri­ori vorherzusagen. Let­z­tendlich kön­nte ein solch­er Rah­men die Exper­tise men­schlich­er Fach­ex­perten erset­zen.

In dieser Arbeit stellen wir dZin­er vor, einen KI-Agen­ten für Chemik­er, der mit Hil­fe von großen Sprach­mod­ellen (LLMs) neue Verbindun­gen mit gewün­scht­en Eigen­schaften durch invers­es Design (Eigen­schaft-zu-Struk­tur) ent­deckt. Konkret nutzt der Agent bere­ichsspez­i­fis­che Erken­nt­nisse aus der wis­senschaftlichen Fach­lit­er­atur, um neue Mate­ri­alien mit verbesserten chemis­chen Eigen­schaften vorzuschla­gen, die er iter­a­tiv unter Ver­wen­dung rel­e­van­ter Sur­ro­gat­mod­elle in einem ratio­nalen Design­prozess bew­ertet, während er gle­ichzeit­ig die Designein­schränkun­gen berück­sichtigt.

Das Mod­ell unter­stützt sowohl Closed-Loop- als auch Human-in-the-Loop-Feed­back-Zyklen und ermöglicht so die Zusam­me­nar­beit zwis­chen Men­sch und KI beim Molekülde­sign mit Echtzeit-Eigen­schaftsableitung und Bew­er­tung der Unsicher­heit und chemis­chen Mach­barkeit.

Wir demon­stri­eren die Flex­i­bil­ität dieses Agen­ten, indem wir ihn auf ver­schiedene Mate­ri­aleigen­schaften anwen­den, darunter Ten­side, Lig­an­den und Arzneimit­telka­n­di­dat­en sowie met­al­lor­gan­is­che Gerüste. Unser Ansatz ver­spricht, sowohl die Ent­deck­ung neuer Mate­ri­alien zu beschle­u­ni­gen als auch das gezielte Design von Mate­ri­alien mit gewün­scht­en Funk­tion­al­itäten zu ermöglichen. Die Methodik ist als Open-Source-Soft­ware ver­füg­bar auf https://github.com/mehradans92/dZiner.