Revolusi Desain Material Kuantum: Algoritma Baru MIT Mendorong Batas Penemuan

Dunia material telah lama menjadi fondasi inovasi, mulai dari bahan bangunan yang kita gunakan sehari-hari hingga semikonduktor canggih di perangkat elektronik kita. Dalam beberapa tahun terakhir, model kecerdasan buatan (AI) generatif telah muncul sebagai alat yang sangat menjanjikan untuk mempercepat penemuan material baru. Model-model ini, yang sering kali digunakan untuk mengubah teks menjadi gambar, ternyata juga sangat efektif dalam merancang jutaan material baru dengan memanfaatkan data pelatihan yang luas. Perusahaan teknologi raksasa seperti Google, Microsoft, dan Meta telah berada di garis depan dalam memanfaatkan AI untuk tujuan ini, membantu para peneliti menemukan material dengan berbagai sifat yang berguna.

Namun, ada satu area di mana model-model generatif konvensional ini menemui kesulitan besar: material kuantum. Material kuantum adalah kelas bahan yang menunjukkan sifat-sifat eksotis dan tidak biasa, seperti superkonduktivitas pada suhu tinggi atau keadaan magnetik yang unik. Material-material ini memiliki potensi revolusioner untuk teknologi masa depan, termasuk komputasi kuantum dan sensor ultra-sensitif. Sayangnya, model AI yang ada cenderung mengoptimalkan material untuk stabilitas, bukan untuk sifat kuantum yang langka dan seringkali memerlukan struktur atom spesifik yang rumit. Akibatnya, penemuan material kuantum baru berjalan sangat lambat. Sebagai contoh, setelah satu dekade penelitian intensif terhadap kelas material yang dikenal sebagai cairan spin kuantum (quantum spin liquids)—yang bisa menjadi kunci untuk komputasi kuantum —hanya selusin kandidat material yang berhasil diidentifikasi. Kesenjangan ini menciptakan hambatan serius bagi kemajuan teknologi yang sangat kita butuhkan.

SCIGEN: Terobosan Inovatif dari MIT

Melihat kebutuhan mendesak ini, para peneliti di Massachusetts Institute of Technology (MIT) telah mengembangkan sebuah teknik baru yang mampu mengatasi keterbatasan tersebut. Teknik ini, yang dinamakan SCIGEN (Structural Constraint Integration in GENerative model), memungkinkan model generatif populer untuk menciptakan material kuantum yang menjanjikan dengan mengikuti aturan desain yang sangat spesifik. Alih-alih hanya berfokus pada stabilitas, SCIGEN mengarahkan model AI untuk menghasilkan material dengan struktur unik yang memang dirancang untuk memunculkan sifat-sifat kuantum.

“Model-model dari perusahaan besar ini menghasilkan material yang dioptimalkan untuk stabilitas,” jelas Mingda Li, Profesor Pengembangan Karier Kelas 1947 MIT. “Perspektif kami adalah bahwa kemajuan ilmu material biasanya tidak seperti itu. Kita tidak membutuhkan 10 juta material baru untuk mengubah dunia. Kita hanya butuh satu material yang benar-benar bagus.” Pernyataan ini menegaskan pergeseran paradigma dari kuantitas material stabil menjadi kualitas material inovatif.

Pendekatan revolusioner ini dijelaskan secara rinci dalam sebuah makalah yang diterbitkan di jurnal bergengsi Nature Materials. Para peneliti menerapkan teknik SCIGEN untuk menghasilkan jutaan kandidat material yang terdiri dari struktur kisi geometris yang terkait erat dengan sifat-sifat kuantum. Dari kumpulan kandidat yang luas ini, mereka berhasil mensintesis dua material nyata yang menunjukkan sifat magnetik eksotis yang belum pernah ditemukan sebelumnya.

Bagaimana SCIGEN Bekerja?

Properti material, termasuk material kuantum, sangat ditentukan oleh struktur atomnya. Struktur atom tertentu lebih mungkin menghasilkan sifat kuantum eksotis daripada yang lain. Sebagai contoh, kisi persegi dapat menjadi platform untuk superkonduktor bersuhu tinggi, sementara bentuk lain seperti kisi Kagome dan Lieb dapat mendukung penciptaan material yang berguna untuk komputasi kuantum. Mengenali hal ini, SCIGEN dirancang untuk memasukkan “aturan main” struktural ke dalam proses generasi AI.

SCIGEN adalah kode komputer yang memastikan model difusi—sebuah kelas model generatif AI yang populer—mematuhi batasan yang ditentukan pengguna pada setiap langkah iterasi generasi material. Dengan SCIGEN, para peneliti dapat memberikan aturan struktural geometris kepada model difusi AI generatif mana 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. SCIGEN berfungsi sebagai filter cerdas, memblokir generasi yang tidak sesuai dengan aturan struktural yang telah ditetapkan.

Untuk menguji efektivitas SCIGEN, para peneliti menerapkannya pada model generasi material AI populer yang dikenal sebagai DiffCSP. Model yang dilengkapi SCIGEN ini kemudian diminta untuk menghasilkan material dengan pola geometris unik yang dikenal sebagai kisi Archimedean. Kisi Archimedean adalah kumpulan susunan kisi 2D dari berbagai poligon yang telah lama menjadi fokus penelitian karena kemampuannya memunculkan berbagai fenomena kuantum yang menarik.

“Kisi Archimedean memunculkan cairan spin kuantum dan yang disebut pita datar (flat bands), yang dapat meniru sifat-sifat unsur langka tanpa memerlukan unsur tanah jarang, sehingga sangat penting,” kata Cheng, salah satu penulis utama makalah ini. “Material kisi Archimedean lainnya memiliki pori-pori besar yang dapat digunakan untuk penangkapan karbon dan aplikasi lainnya, sehingga ini adalah kumpulan material khusus. Dalam beberapa kasus, belum ada material yang diketahui dengan kisi tersebut, jadi saya pikir akan sangat menarik untuk menemukan material pertama yang sesuai dengan kisi tersebut.”

Dampak dan Hasil Eksperimen

Dengan SCIGEN, model tersebut berhasil menghasilkan lebih dari 10 juta kandidat material dengan kisi Archimedean. Dari jumlah tersebut, satu juta material berhasil melewati proses penyaringan untuk stabilitas. Menggunakan superkomputer di Oak Ridge National Laboratory, para peneliti kemudian mengambil sampel yang lebih kecil, yaitu 26.000 material, dan melakukan simulasi rinci untuk memahami perilaku atom-atom dasar material tersebut. Hasil simulasi menunjukkan bahwa 41 persen dari struktur tersebut menunjukkan sifat magnetisme, sebuah indikator kuat potensi material kuantum.

Dari subset yang menjanjikan ini, para peneliti berhasil mensintesis dua senyawa yang sebelumnya belum ditemukan, yaitu TiPdBi dan TiPbSb, di laboratorium Xie dan Cava. Eksperimen lanjutan menunjukkan bahwa prediksi model AI sebagian besar selaras dengan sifat-sifat aktual material tersebut. “Kami ingin menemukan material baru yang dapat memiliki dampak potensial besar dengan memasukkan struktur-struktur yang telah diketahui memunculkan sifat-sifat kuantum,” kata Okabe, penulis pertama makalah ini. “Kami sudah tahu bahwa material dengan pola geometris spesifik ini menarik, jadi wajar untuk memulai dengan itu.”

Mempercepat Terobosan Material

Penemuan ini memiliki implikasi besar, terutama dalam pencarian material untuk komputasi kuantum. Cairan spin kuantum, misalnya, dapat membuka jalan bagi qubit yang stabil dan tahan kesalahan, yang merupakan dasar dari operasi kuantum. Namun, hingga saat ini, belum ada material cairan spin kuantum yang terkonfirmasi secara definitif. Weiwei Xie dan Robert Cava percaya bahwa SCIGEN dapat secara signifikan mempercepat pencarian material-material krusial ini.

“Ada pencarian besar untuk material komputer kuantum dan superkonduktor topologi, dan ini semua terkait dengan pola geometris material,” kata Xie. Cava menambahkan, “Tetapi kemajuan eksperimental sangat, sangat lambat. Banyak dari material cairan spin kuantum ini tunduk pada batasan: Mereka harus berada dalam kisi segitiga atau kisi Kagome. Jika material memenuhi batasan-batasan tersebut, para peneliti kuantum menjadi bersemangat; itu adalah kondisi yang diperlukan tetapi tidak cukup. Jadi, dengan menghasilkan banyak sekali material seperti itu, SCIGEN segera memberikan ratusan atau ribuan lebih banyak kandidat kepada para eksperimentalis untuk bermain-main guna mempercepat penelitian material komputer kuantum.”

Professor Steve May dari Drexel University, yang tidak terlibat dalam penelitian ini, juga mengakui potensi besar dari SCIGEN. “Pekerjaan ini menyajikan alat baru, memanfaatkan pembelajaran mesin, yang dapat memprediksi material mana yang akan memiliki elemen spesifik dalam pola geometris yang diinginkan,” katanya. “Ini seharusnya mempercepat pengembangan material yang sebelumnya belum dieksplorasi untuk aplikasi dalam teknologi elektronik, magnetik, atau optik generasi berikutnya.”

Para peneliti menegaskan bahwa eksperimen tetap krusial untuk menilai apakah material yang dihasilkan AI dapat disintesis dan bagaimana sifat aktualnya dibandingkan dengan prediksi model. Pekerjaan di masa depan pada SCIGEN dapat menggabungkan aturan desain tambahan ke dalam model generatif, termasuk batasan kimia dan fungsional. “Orang-orang yang ingin mengubah dunia peduli pada sifat material lebih dari stabilitas dan struktur material,” kata Okabe. “Dengan pendekatan kami, rasio material stabil memang menurun, tetapi ini membuka pintu untuk menghasilkan sejumlah besar material yang menjanjikan.”

Penelitian inovatif ini didukung, sebagian, oleh U.S. Department of Energy, National Energy Research Scientific Computing Center, National Science Foundation, dan Oak Ridge National Laboratory. Dengan SCIGEN, kita selangkah lebih dekat untuk membuka potensi penuh dari material kuantum dan mempercepat terobosan teknologi yang tak terhitung jumlahnya.