AI Generatif Mudahkan Sintesis Material Rumit: Terobosan Ilmuwan MIT

Revolusi AI Generatif dalam Penemuan Material Baru

Di era digital yang serbacepat ini, kecerdasan buatan generatif (AI generatif) semakin menunjukkan taringnya dalam berbagai bidang, termasuk ilmu material. Para ilmuwan kini memanfaatkan model AI canggih untuk menciptakan pustaka material teoretis yang luar biasa besar, menjanjikan solusi inovatif untuk beragam tantangan global. Bayangkan saja, material-material ini, jika berhasil disintesis, dapat merevolusi berbagai industri di Indonesia, mulai dari energi terbarukan, farmasi, hingga manufaktur yang lebih efisien. Namun, tantangan terbesar setelah mengidentifikasi material potensial ini adalah bagaimana cara membuatnya di dunia nyata.

Sintesis material bukanlah perkara mudah yang bisa disamakan dengan mengikuti resep masakan di dapur. Proses ini melibatkan faktor-faktor krusial seperti suhu reaksi, durasi pemrosesan, dan rasio prekursor, yang kesemuanya dapat menyebabkan perubahan drastis pada sifat material. Sedikit saja perbedaan dalam salah satu parameter ini bisa mengubah kinerja material secara signifikan, bahkan menjadikannya tidak berguna. Kompleksitas inilah yang selama ini membatasi kemampuan para peneliti untuk menguji jutaan material yang dihasilkan oleh model AI.

Memperkenalkan DiffSyn: Resep AI untuk Material Ideal

Menyadari hambatan ini, para peneliti dari Massachusetts Institute of Technology (MIT) telah menciptakan sebuah model AI revolusioner. Model ini didesain untuk memandu ilmuwan melalui proses pembuatan material dengan menyarankan rute sintesis yang paling menjanjikan. Dalam sebuah makalah terbaru yang diterbitkan di jurnal prestisius Nature Computational Science, mereka menunjukkan bahwa model ini mencapai akurasi mutakhir dalam memprediksi jalur sintesis yang efektif untuk zeolit, sejenis material berpori yang sangat penting dalam katalisis, absorpsi, dan proses pertukaran ion. Menariknya, dengan mengikuti saran dari model ini, tim berhasil mensintesis material zeolit baru yang menunjukkan stabilitas termal yang lebih baik, sebuah pencapaian yang signifikan.

Tim peneliti percaya bahwa model inovatif mereka ini berpotensi memecahkan kemacetan terbesar dalam proses penemuan material. "Analoginya, kita tahu kue apa yang ingin kita buat, tetapi saat ini kita tidak tahu cara memanggang kue tersebut," kata penulis utama, Elton Pan, seorang kandidat PhD di Departemen Ilmu dan Teknik Material (DMSE) MIT. "Sintesis material saat ini dilakukan melalui keahlian domain dan metode coba-coba, yang memakan waktu dan sumber daya." Turut bergabung dengan Pan dalam makalah ini adalah tim multi-disiplin yang beranggotakan Soonhyoung Kwon, Sulin Liu, Mingrou Xie, Alexander J. Hoffman, Yifei Duan, Thorben Prein, Killian Sheriff, Profesor Yuriy Roman-Leshkov, Profesor Manuel Moliner, Profesor Rafael Gómez-Bombarelli, dan Profesor Elsa Olivetti.

Belajar "Memanggang" Material dengan AI

Investasi besar dalam AI generatif telah mendorong perusahaan raksasa teknologi seperti Google dan Meta untuk menciptakan basis data yang masif, yang dipenuhi dengan "resep" material yang secara teoretis memiliki sifat-sifat unggul, seperti stabilitas termal tinggi atau kemampuan absorpsi gas selektif. Namun, mengubah resep teoretis ini menjadi material fisik bisa membutuhkan waktu berminggu-minggu atau bahkan berbulan-bulan eksperimen yang teliti. Ini termasuk pengujian suhu reaksi spesifik, waktu reaksi, rasio prekursor, dan berbagai faktor lainnya. Di Indonesia, hal ini menjadi tantangan besar bagi peneliti dan industri yang ingin mengembangkan material canggih secara mandiri.

"Orang mengandalkan intuisi kimia mereka untuk memandu prosesnya," jelas Pan. "Manusia cenderung berpikir secara linear. Jika ada lima parameter, kita mungkin akan menjaga empat di antaranya konstan dan hanya memvariasikan satu secara linear. Tetapi mesin jauh lebih baik dalam bernalar di ruang berdimensi tinggi." Faktanya, proses sintesis material seringkali menjadi bagian yang paling memakan waktu dalam perjalanan suatu material, dari tahap hipotesis hingga penggunaannya secara praktis. Dengan adanya AI, hambatan ini dapat diatasi, mempercepat inovasi material yang krusial untuk kemajuan bangsa.

Cara Kerja DiffSyn: Inspirasi dari DALL-E

Untuk membantu para ilmuwan menavigasi proses yang kompleks ini, para peneliti MIT melatih model AI generatif mereka menggunakan lebih dari 23.000 resep sintesis material yang dikumpulkan dari 50 tahun makalah ilmiah. Selama pelatihan, para peneliti secara iteratif menambahkan "noise" acak ke resep-resep tersebut, dan model kemudian belajar untuk menghilangkan "noise" serta mengambil sampel dari "noise" acak tersebut guna menemukan rute sintesis yang menjanjikan. Hasil dari upaya ini adalah DiffSyn, sebuah model yang menggunakan pendekatan dalam AI yang dikenal sebagai difusi.

"Model difusi pada dasarnya adalah model AI generatif seperti ChatGPT, tetapi lebih mirip dengan model pembuatan gambar DALL-E," kata Pan. "Selama inferensi, model ini mengubah noise menjadi struktur yang bermakna dengan mengurangi sedikit noise di setiap langkah. Dalam kasus ini, ‘struktur’ adalah rute sintesis untuk material yang diinginkan." Jadi, ketika seorang ilmuwan menggunakan DiffSyn dan memasukkan struktur material yang diinginkan, model ini akan menawarkan beberapa kombinasi suhu reaksi, waktu reaksi, rasio prekursor, dan parameter lainnya yang menjanjikan.

"Pada dasarnya, ini memberi tahu Anda cara memanggang kue Anda," Pan menjelaskan. "Anda memiliki kue dalam pikiran, Anda memasukkannya ke dalam model, model kemudian mengeluarkan resep sintesis. Ilmuwan dapat memilih jalur sintesis mana pun yang mereka inginkan, dan ada cara sederhana untuk mengukur jalur sintesis yang paling menjanjikan dari apa yang kami berikan, yang kami tunjukkan dalam makalah kami." Ini adalah lompatan besar dari metode coba-coba tradisional.

Uji Coba Nyata: Zeolit sebagai Studi Kasus

Untuk menguji sistem mereka, para peneliti menggunakan DiffSyn untuk menyarankan jalur sintesis baru untuk zeolit. Zeolit dipilih karena merupakan kelas material yang sangat kompleks dan membutuhkan waktu lama untuk membentuk material yang dapat diuji. "Zeolit memiliki ruang sintesis yang sangat berdimensi tinggi," kata Pan. "Zeolit juga cenderung membutuhkan waktu berhari-hari atau berminggu-minggu untuk mengkristal, jadi dampak dari menemukan jalur sintesis terbaik lebih cepat jauh lebih besar dibandingkan dengan material lain yang mengkristal dalam hitungan jam." Bagi Indonesia, pengembangan zeolit lokal yang lebih efisien memiliki potensi besar dalam industri petrokimia, pengolahan air, dan bahkan pertanian.

Dengan menggunakan jalur sintesis yang disarankan oleh DiffSyn, para peneliti berhasil membuat material zeolit baru. Pengujian selanjutnya mengungkapkan bahwa material tersebut memiliki morfologi yang menjanjikan untuk aplikasi katalitik. "Para ilmuwan telah mencoba berbagai resep sintesis satu per satu," kata Pan. "Hal itu sangat memakan waktu. Model ini dapat mengambil sampel 1.000 di antaranya dalam waktu kurang dari satu menit. Ini memberi Anda perkiraan awal yang sangat baik tentang resep sintesis untuk material yang benar-benar baru." Efisiensi ini krusial untuk mempercepat penemuan material yang dapat mendukung pembangunan nasional.

Pergeseran Paradigma: Dari Satu Resep ke Banyak Jalur

Sebelumnya, para peneliti telah membangun model pembelajaran mesin yang memetakan suatu material ke satu resep tunggal. Pendekatan semacam itu tidak memperhitungkan bahwa ada banyak cara berbeda untuk membuat material yang sama. Namun, DiffSyn dilatih untuk memetakan struktur material ke banyak jalur sintesis yang berbeda. Pan menyatakan bahwa pendekatan ini lebih selaras dengan realitas eksperimental.

"Ini adalah pergeseran paradigma dari pemetaan satu-ke-satu antara struktur dan sintesis menjadi pemetaan satu-ke-banyak," kata Pan. "Itu adalah alasan besar mengapa kami mencapai peningkatan yang kuat pada tolok ukur." Fleksibilitas ini memungkinkan para ilmuwan untuk mengeksplorasi lebih banyak kemungkinan, meningkatkan peluang keberhasilan, dan mengoptimalkan material untuk aplikasi tertentu.

Potensi Masa Depan dan Relevansi untuk Indonesia

Ke depan, para peneliti percaya bahwa pendekatan ini dapat digunakan untuk melatih model lain yang memandu sintesis material di luar zeolit, termasuk kerangka kerja logam-organik (MOF), padatan anorganik, dan material lain yang memiliki lebih dari satu kemungkinan jalur sintesis. "Pendekatan ini dapat diperluas ke material lain," kata Pan. "Saat ini, hambatannya adalah menemukan data berkualitas tinggi untuk kelas material yang berbeda." Namun, mengingat zeolit adalah material yang rumit, DiffSyn telah membuktikan kemampuannya untuk menangani tingkat kesulitan yang tinggi.

"Pada akhirnya, tujuannya adalah menghubungkan sistem cerdas ini dengan eksperimen dunia nyata yang otonom, dan penalaran agen pada umpan balik eksperimental untuk secara dramatis mempercepat proses desain material," tambah Pan. Bagi Indonesia, teknologi ini membuka peluang besar untuk mempercepat penelitian dan pengembangan material maju, mengurangi ketergantungan pada impor, dan mendorong inovasi lokal. Dengan dukungan pendanaan dari berbagai lembaga seperti MIT International Science and Technology Initiatives (MISTI) dan National Science Foundation, penelitian ini siap membawa dampak transformatif dalam dunia ilmu material, tidak hanya secara global tetapi juga untuk kemajuan teknologi di Indonesia.