aLLoyM: een groots taalmodel voor de voorspelling van fase-diagrammen van legeringen

AI leren ‘kaartlezen’ van metalen

Wanneer ingenieurs nieuwe metalen ontwerpen voor straalmotoren, batterijen of kernreactoren, vertrouwen ze op speciale kaarten — fase-diagrammen — die laten zien welke mengsels van elementen vast, vloeibaar of iets daartussen zijn bij verschillende temperaturen. Het maken van deze kaarten in het laboratorium is traag en duur. Deze studie introduceert een gespecialiseerd kunstmatig-intelligentiemodel, aLLoyM, dat leert deze fase-diagrammen te lezen en zelfs te schetsen, wat het zoeken naar betere, sterkere en efficiëntere materialen aanzienlijk kan versnellen.

Waarom fasekaarten van belang zijn voor alledaagse technologie

Fase-diagrammen zijn als weerkaarten voor metalen. In plaats van regen of zon te voorspellen, tonen ze waar mengsels van elementen zullen smelten, verharden of verschillende interne structuren vormen naarmate de omstandigheden veranderen. Deze details bepalen op subtiele wijze hoe veilig een brug is, hoe lang een turbineblad hitte doorstaat of hoe stabiel een batterij blijft. Maar alle mogelijke combinaties van elementen en temperaturen in kaart brengen is bijna onmogelijk met alleen experimenten, omdat er ontelbare mengsels te testen zijn en elk zorgvuldig verwarmen, afkoelen en analyseren vereist. Die kloof tussen wat we moeten weten en wat we praktisch kunnen meten is waar AI echt een verschil kan maken.

Data voeden in een gespecialiseerd taalmodel

In plaats van weer een smal wiskundig model te bouwen, finetuneden de onderzoekers een groot taalmodel — een type AI dat meestal voor tekst wordt gebruikt — op de taal van legeringen. Ze putten uit een open database van computergestuurde fase-diagrammen en zetten 837.475 gegevenspunten om in vraag-en-antwoordparen. Een typische vraag kan zijn: “Zilver 46%, aluminium 54% bij 900 Kelvin: welke fasen verschijnen?” en het antwoord zou de aanwezige fasen opsommen. Met een techniek genaamd low-rank adaptation stelden ze slechts een klein deel van het onderliggende Mistral-model bij, zodat het drie soorten taken tegelijk aankon: volledige fasedetails voorspellen, benoemen welke fasen verschijnen, of een legeringssamenstelling en temperatuur voorstellen die een gewenste fase opleveren.

Controleren of de AI het echt begrijpt

Om te zien of aLLoyM werkelijk de regels achter fase-diagrammen leerde, testte het team het model op meerkeuze- en vrij-tekst (korte-antwoord) vragen. Bij meerkeuzeproblemen moest het model het juiste antwoord uit vier opties kiezen. Het standaardmodel presteerde nauwelijks beter dan willekeurig raden. Na finetuning schoot aLLoyM’s nauwkeurigheid flink omhoog voor alle taken en zowel voor eenvoudigere twee-elementlegeringen als voor complexere drie-elementlegeringen. In de zwaardere korte-antwoordinstelling, waar het model zijn eigen tekst moest genereren in plaats van uit een lijst te kiezen, produceerde het nog steeds fase-aanduidingen die sterk overeenkwamen met de juiste, zelfs voor legeringssystemen die het tijdens training nooit had gezien. De prestaties waren het beste bij extrapolatie vanuit goed begrepen systemen en namen af voor mengsels met bijzonder complex gedrag in het midden van het samenstellingsbereik — precies die regio’s die ook voor menselijke experts lastig zijn.

Nieuwe materialen bedenken buiten de reikwijdte van huidige experimenten

Eens getraind, kon aLLoyM gevraagd worden fase-diagrammen te “tekenen” voor metalen die moeilijk of onmogelijk direct te bestuderen zijn, zoals mengsels met radioactieve of extreem kortlevende elementen. Zo schatte het model smeltpunten en structuurtypen voor mengsels van aktinium en uranium en stelde het tertiaire diagrammen voor systemen die nog niet gemeten zijn. Sommige van deze voorspellingen kwamen verrassend dicht bij bekende waarden; andere bevatten fouten, zoals het verkeerd identificeren van de meest stabiele kristalstructuur. De onderzoekers zagen ook dat het model nieuwe fase-labels verzon, bijvoorbeeld met het woord “WOLF”, en ontwikkelden methoden om te testen hoe betrouwbaar zulke verrassingen kunnen zijn door de interne onzekerheid van het model en de variatie in antwoorden bij verschillende sampling-instellingen te onderzoeken.

Wat dit kan betekenen voor toekomstige materialen

Voor niet-specialisten is de kernboodschap dat aLLoyM laat zien hoe een tekstgebaseerde AI getraind kan worden om over het gedrag van metalen te redeneren op een manier die sterk lijkt op die van een ervaren materiaalkundige, maar dan veel sneller. Het is nog geen directe vervanging voor zorgvuldige experimenten of gedetailleerde op fysica gebaseerde berekeningen en het kan nog steeds zelfverzekerde fouten maken. Maar naarmate de trainingsdata groeien en onzekerheidsinschattingen en promptmethoden verbeteren, zouden modellen zoals aLLoyM onderzoekers kunnen helpen te beperken welke legeringrecepten het waard zijn om in het laboratorium te testen. Die begeleiding zou de lange, kostbare weg van een idee voor een nieuw materiaal naar een product in de echte wereld kunnen verkorten en technologieën beïnvloeden van schonere energiecentrales tot langer meegaan consumentenapparaten.

Bronvermelding: Oikawa, Y., Deffrennes, G., Shimayoshi, R. et al. aLLoyM: a large language model for alloy phase diagram prediction. npj Comput Mater 12, 97 (2026). https://doi.org/10.1038/s41524-026-01966-6

Trefwoorden: fase-diagrammen van legeringen, materiaalontdekking, grote taalmodellen, computationele materiaalkunde, thermodynamische modellering