AI voor de chemie: invloed op onderzoek en de maatschappij

Als theoretisch chemisch onderzoeker gebruikt mijn groep AI vooral voor het fitten van zogenaamde potentiële energieoppervlakken voor interacties van moleculen met metaaloppervlakken. Met behulp van die energieoppervlakken kunnen we bijvoorbeeld uitrekenen wat de kans is van de reactie waarbij een molecuul in een botsing met een metaaloppervlak uiteenvalt in twee fragmenten die daarna beiden afzonderlijk gebonden zijn aan het metaaloppervlak. Zo’n reactie heet een dissociatieve chemisorptiereactie. Dergelijke reacties kunnen van groot belang zijn voor de heterogene katalyse, een proces waarmee de meerderheid van de chemicaliën (door mensen gemaakte chemische producten) worden gemaakt.

Bij dit soort reacties is het in het algemeen van groot belang om de bewegingen van de metaaloppervlakteatomen mee te nemen, bijvoorbeeld via de invloed van de temperatuur van het metaaloppervlak op de reactie. Dit is eigenlijk pas een jaar of zeven geleden mogelijk geworden. Hiervoor gebruiken mijn groep en andere groepen zogenaamde neurale netwerken bij het fitten van een potentiële energieoppervlak, dat nu afhankelijk is geworden van een groot aantal vrijheidsgraden (in de orde van 30 in plaats van 6 voor het voorbeeld van een twee-atomig molecuul dat reageert met een metaaloppervlak). Als gevolg hiervan kan de kans op reactie nu worden uitgerekend voor de oppervlaktetemperatuur waarbij de reactie experimenteel gemeten is. Dat maakt het mogelijk om de barrière voor de reactie nauwkeurig te bepalen op een semi-empirische manier. De data die dit oplevert kunnen dan weer gebruikt worden om een database te maken die gebruikt kan worden om nieuwe zogenaamde electronenstructuurmethoden te testen, waarmee de interactie tussen een molecuul en een metaaloppervlak bepaald kan worden.

Overigens ontlenen neurale netwerken hun naam aan de gelijkenis met structuren waarin zenuwcellen verbonden zijn en signalen verwerken. Net zoals onze hersenen moeten neurale netwerken gegevens (“data”) verwerken om voorspellingen te kunnen genereren, en net zoals onze hersenen moeten ze getraind worden om dat op zinvolle wijze te doen. Neurale netwerken vormen een onderdeel van ‘machinelearning’, een vorm van artificiële intelligentie, en de noodzaak van trainen maakt dat machinelearning een onderdeel is van ‘data science’.

Binnen de theoretische chemie en de chemie in het algemeen zijn er nog veel meer mogelijkheden. Zo gebruiken theoreten dichtheidsfunctionaaltheorie om energieën van moleculen en van moleculen in interactie met metaaloppervlakken te berekenen. De ontwikkeling van de beste dichtheidsfunctionaal hiervoor is binnen de theoretische chemie een soort Heilige Graal. Tegenwoordig probeert men kunstmatige intelligentie te gebruiken om verbeterde functionalen te bepalen, in de hoop dat de Heilige Graal gevonden kan worden met machine learning.

Het belang van machinelearning en AI voor de chemie in het algemeen valt onder meer op te maken uit de recente Nobelprijzen (2024) voor de chemie en de aanverwante natuurkunde, die alle AI betroffen. Zo ging de helft van de prijs voor de chemie naar Hannabis en Jumper voor de ontwikkeling van een computerprogramma dat de structuur van eiwitten kan voorspellen op basis van AI. Dat kan wetenschappers o.m. helpen te begrijpen hoe sommige ziektes zich ontwikkelen en hoe antibioticaresistentie kan ontstaan.

Zoals besproken in een belangrijk recent artikel verschenen in het tijdschrift “Faraday Discussions” is AI recent ingezet om op basis van de gewenste eigenschappen van een molecuul of materiaal te bepalen hoe dit molecuul of materiaal moet worden opgebouwd uit de atomen van de verschillende chemische elementen (‘inverse design’). Ook wordt onderzocht hoe AI gebruikt kan worden om moleculen van een gewenste structuur te synthetiseren (‘retrosynthese’), waarbij, hoe vreemd het ook klinkt, het probleem is dat gegevens ontbreken over mislukte syntheses. Machinelearning wordt ook in toenemende mate gebruikt om op basis van spectroscopie (uitzenden of opnemen van licht met specifieke golflengtes door moleculen) te bepalen wat de structuur van het molecuul is, en om simulaties te verrichten op grotere ruimtelijke- en tijdschalen dan nu mogelijk. In dit opzicht is een genoemde uitdaging het simuleren van een menselijke cel op een biologisch relevante tijdschaal. De elektrochemie (relevant voor o.m. het op schone wijze maken van waterstof) wordt genoemd als een belangrijk chemisch vakgebied voor nieuwe toepassingen van AI.

Bij dit alles moet wel één kanttekening geplaatst worden: gebruik van AI kost (véél) energie. Wereldwijd zijn datacentra nu verantwoordelijk voor 2.5-3.7% van de uitstoot van broeikasgassen (overigens is dat inclusief ander rekenwerk). In een praktijk waar men vraagtekens bij kan zetten verkopen “Big Tech” bedrijven zoals Microsoft aan fossiele bedrijven AI-pakketten om zo meer efficiënt olie uit de grond te halen die daar beter onverbrand in achter kan blijven. Anderzijds kan onderzoek met AI juist ook helpen om de koolstofafdruk van chemisch onderzoek te verlagen. Gezien de dreiging van de opwarming van de aarde wordt het steeds belangrijker om afwegingen te maken over wat AI oplevert en wat het kost, gezien de daarmee gepaard gaande CO2-emissie. Gelukkig zijn er in toenemende mate instrumenten beschikbaar die wetenschappers hierbij kunnen helpen.