De coolste zoektocht ooit: AI helpt wetenschappers 100 miljoen opties doorzoeken

Laat me je wat vertellen.

Stel je voor: je hebt een bibliotheek met meer dan 100 miljoen boeken. Je moet er precies zes vinden die het geheim bevatten voor het printen van supersterk metaal voor raketmotoren. De deal? Je kunt ze niet even snel doorbladeren. Elk "boek" kost je honderden euro's, je hebt dagen nodig om het te lezen, en sommige vatten letterlijk vlam voordat je klaar bent.

Leuk? Nah, dacht het niet.

Maar dát is min of meer waar onderzoekers van de Washington State University mee bezig waren — behalve dat ze AI aan hun team hadden. En eerlijk? Hun verhaal is een stuk interessanter dan welke puzzelgame ik kan verzinnen.

Het raketmetaal dat eigenlijk een diva is

Laat me je voorstellen aan GRCop-42. Klinkt als een robot uit een sciencefictionfilm, toch? Het is eigenlijk een legering van koper, chroom en niobium — en NASA heeft het gemaakt omdat gewone metalen de hitte gewoon niet aankonden. (En ja, die woordspeling was expres.)

Dit spul wordt gebruikt in raketmotoren, specifiek in de verbrandingskamers waar brandstof verbrandt bij temperaturen die je oven jaloers maken. GRCop-42 kan extreme hitte verdragen én die hitte efficiënt afvoeren, waardoor raketten zichzelf niet smelten. Vrij belangrijk klusje dus.

Hier komt het: dit metaal 3D-printen is moeilijk. Heel erg moeilijk. Het vereist normaal gesproken krachtige lasers en tonnen energie — het soort apparatuur dat alleen grote luchtvaartbedrijven en grote onderzoekslabs zich kunnen veroorloven.

Negenentwintig procent van de commerciële 3D-printers? Daar kan dit niet op. Gewoonweg niet krachtig genoeg.

Tot nu.

Zomaar alles proberen? Dat werkte niet

Voordat we bij de AI-magie komen, even over waarom dit zo'n hoofdpijn was.

Om metaal 3D te printen moet je de perfecte instellingen vinden — laservermogen, snelheid, temperatuur, en talloze andere factoren. Maak één ding verkeerd en er gebeurt niets, of (dramatischer) je hele print smelt weg tot een plasje.

De traditionele aanpak? Gewoon... een hoop combinaties proberen tot er iets werkt.

Dat klinkt redelijk tot je beseft dat er meer dan 100 miljoen mogelijke combinaties waren om te testen. Elke poging kost honderden euro's, kost tijd om te verwerken, en vereist iemand die de resultaten zorgvuldig analyseert. Als je één combinatie per dag zou proberen, zou je 274.000 jaar nodig hebben. Niet ideaal.

"Soms printten ze een bepaalde configuratie, en het product smolt gewoon weg," zei Azza Fadhel, een promovenda die aan het project werkte. "Het was niet echt printbaar, en zelfs met tijd en geld zouden ze niet alle 100 miljoen opties kunnen proberen."

Au. Dat is alsof je een specifiek zandkorrel op het strand probeert te vinden door ze één voor één op te pakken.

Enter AI: De slimme zoeker

Hier wordt het researchers team creatief. In plaats van random in het donker te prikken, bouwden ze een AI-systeem dat kon leren van elk experiment — zelfs de mislukte.

Stel het zo voor: je probeert het perfecte recept te vinden, maar in plaats van elke stap blind te volgen, kijkt de AI naar wat er gebeurt als je elk ingrediënt aanpast. Het begint te leren welke combinaties dingen beter maken en welke slechter.

Het team begon met slechts 37 configuraties die al waren mislukt. Niet bepaald een overvloed aan data, maar genoeg voor de AI om educatieve gissingen te maken.

Van daaruit suggereerde de AI kleine groepjes nieuwe instellingen om te proberen. Hier komt het slimme gedeelte: het balanceerde twee dingen. Soms koos het instellingen die het meest waarschijnlijk zouden werken op basis van wat het had geleerd. Andere keren koos het deliberaat instellingen waar het niet zeker van was — omdat die "wild guess" experimenten het iets nieuws konden leren en het hele model slimmer konden maken.

"Ze gaven me de resultaten terug, en ik was blij met allema — zelfs als ze mislukten — omdat elk resultaat ons AI-model verbeterde," zei Fadhel.

Dat is eigenlijk best een mooie manier om naar falen te kijken.

De grote finale: Zes winnaars

Na slechts 40 experimenten in drie maanden vond de AI zes succesvolle configuraties op verschillende laservermogenniveaus. Eén daarvan was het printen van GRCop-42 met slechts 500 watt laservermogen — een primeur voor deze legering.

Zes successen op 40 pogingen klinkt misschien niet als heel indrukwekkend. Maar onthoud: we zochten door 100 miljoen mogelijkheden waarin succesvolle configuraties extreem zeldzaam zijn. Het is alsof je zes naalden vindt in een hooiberg ter grootte van een klein land, en dat terwijl je nauwelijks aan het hooi hebt gezeten.

En hier komt het echt opwindende deel: deze succesvolle configuraties waren op lagere vermogensniveaus. Dat betekent dat ze compatibel zijn met die commerciële 3D-printers die de legering eerst niet aankonden. Die negenentwintig procent die het niet konden printen? Nu kunnen ze dat misschien wel.

Waarom dit belangrijk is — niet alleen voor raketten

Oké, ik ben een space-nerd, dus raketonderdelen printen is al pretty exciting voor mij. Maar de onderzoekers stoppen daar niet.

Deze AI-aanpak kan helpen bij allerlei andere complexe problemen waar miljoenen mogelijkheden te testen zijn — zoals medicijnontdekking, waar wetenschappers op zoek zijn naar de juiste moleculaire combinaties om ziekten te behandelen.

Dezelfde logica: in plaats van met brute kracht door elke optie te gaan, gebruik AI om slimmer te zoeken. Het gaat niet om het vervangen van menselijke creativiteit; het gaat om onderzoekers een veel beter kompas geven wanneer ze enorme, verwarrende landschappen verkennen.

"Negenentwintig procent van de commerciële printers kan dit metaal niet printen, dus nu we deze haalbare procesparameters hebben gevonden, democratiseren we in wezen het printen van deze legering," zei Jana Doppa, die het onderzoek leidde.

Dat woord "democratiseren" doet hier veel werk. Wanneer alleen enorme organisaties met peperdure apparatuur iets kunnen maken, vertraagt innovatie. Wanneer kleinere labs, universiteiten en startups toegang krijgen tot dezelfde materialen? plotseling heb je een stuk meer hersenen die aan het probleem werken.

Mijn gedachten

Ik hou van dit verhaal omdat het AI op z'n best laat zien: niet als een magische vervanging voor menselijke inspanning, maar als een krachtig tool dat menselijke inspanning eigenlijk telt.

De onderzoekers hebben niet gewoon "AI het laten doen." Ze combineerden hun domeinexpertise met het vermogen van AI om efficiënt door enorme ruimtes te zoeken. Ze begrepen dat zelfs mislukte experimenten waardevol waren. Ze wisten welke vragen ze moesten stellen.

Dat is de toekomst van AI in de wetenschap, denk ik — niet robots die labs overnemen, maar slimme partnerships waar machines de combinatorische nachtmerries afhandelen terwijl mensen zich focussen op het creatieve, interpreterende werk dat echt een brein vereist.

Nu wil ik alleen maar weten: wat is het volgende 100-miljoen-opties-probleem dat wacht om opgelost te worden?

Bron: ScienceDaily