Paradigman muutos: koneoppiminen muuttaa materiaalitieteen tutkimusta atomitasolla

Apulaisprofessori Miguel Caron tutkimusryhmä tutkii materiaaleja atomististen simulaatioiden avulla. Atomien välistä vuorovaikutusta mallintamalla he pyrkivät ennustamaan materiaalien rakenteita ja ominaisuuksia. Laskennalliset menetelmät nopeuttavat uusien materiaalien ja prosessien löytämistä, mikä tukee uusiutuvien teollisuudenalojen ja kestävän yhteiskunnan kehitystä.

Ryhmän tutkimuskohteita ovat energian varastointi ja muuntaminen, katalyysi sekä edistyneet pinnoitteet ja optoelektroniset eli valoon reagoivat elektroniset materiaalit. Biologiset sovellukset eivät ole ryhmän pääpainopiste, mutta he osallistuvat valikoituihin yhteistyöprojekteihin, kuten Orionin kanssa tehtyyn liuotinenergian ennustamisen hankkeeseen. Samankaltaisia menetelmiä käytetään laajasti myös biokemian ja farmasian tutkimuksessa.

Uudet koneoppimismenetelmät mahdollistavat tämän tutkimuksen.

“Vastaavanlainen tutkimus ei olisi ollut mahdollista 10 vuotta sitten. Ei vain siksi, että se olisi ollut teknisesti mahdotonta, vaan myös siksi, ettemme edes osanneet kuvitella, että koneoppimisen avulla voitaisiin tehdä tällaisia asioita”, Caro kertoo.

Materiaalien mallinnus on omaksunut koneoppimisen nopeammin ja syvällisemmin kuin monet muut alat. Koneoppiminen on ollut Caron pääasiallinen tutkimusaihe viimeiset kahdeksan vuotta. Hänelle koneoppimisen nopea yleistyminen osoittaa, että tieteellisen löydöksen ja sen käytäntöön soveltamisen välinen kuilu on pienempi kuin koskaan.

“Voisin kirjoittaa oman väitöskirjani kokonaan uudestaan nykyisillä työkaluilla. Tekisin kaiken nyt toisin, koska koneoppiminen on kehittynyt niin valtavasti.”

Uusien materiaalien tutkimista simulaatioiden avulla

Caron tutkimusryhmä hyödyntää simulaatioita, joiden avulla voidaan sekä tulkita kokeellisia tuloksia että testata uusia ideoita ennen kalliisiin tai haastaviin laboratoriotöihin ryhtymistä. Simulaatiot ovat edullisempia ja nopeampia kuin oikeat koetilanteet ja auttavat arvioimaan, mihin tutkimussuuntaan kannattaa panostaa.

Simulaatioiden avulla voidaan tutkia myös epätavallisia materiaaleja, joita olisi käytännössä lähes mahdotonta kokeellisesti tutkia.

“Kuvitellaan esimerkiksi, että haluaisimme tutkia plutoniumin käyttöä. Koska plutonium on radioaktiivista, sen tutkimiseen tarvittaisiin erillinen rakennus ja tiukat turvallisuustoimet, ja todennäköisesti puolustusministeriön hyväksyntä. Simulaation avulla voimme korvata esimerkiksi rauta-atomit plutoniumilla ja jäljitellä kokeellista tilannetta”, Caro kertoo.

Vaikka plutonium-esimerkki on liioittelua, sama periaate pätee myös vähemmän erikoisiin, mutta myös harvemmin tutkittuihin materiaaleihin. Caron ryhmä on esimerkiksi kartoittanut vaihtoehtoja kalliille ja vaikeasti hankittavalle litiumille, jota käytetään akkujen valmistuksessa ja jonka saatavuus on riippuvainen Kiinasta. Litiumia tarvitaan muun muassa älypuhelinten ja tietokoneiden akuissa, mutta suurissa energiajärjestelmissä, kuten aurinkopaneeleissa, muutkin aineet voivat olla käyttökelpoisia.

Projektissa tutkitaan, voisivatko natrium, magnesium tai kalium korvata litiumin ja miten nämä alkuaineet käyttäytyvät eri akkujen komponenttien kanssa. Ryhmä on tutkinut natriumia sekä simulaatioiden avulla että kokeellisesti yhteistyökumppanien* kanssa.

“Kun työkalut, menetelmät ja ohjelmistot ovat valmiina, on suhteellisen helppoa vaihtaa esimerkiksi natrium magnesiumiin. Nopeiden laskennallisten tulosten avulla voimme ehdottaa kokeita, joiden lupaavuudesta on jo näyttöä. Tietysti mikään simulaatio ei ole pätevä ennen kuin sitä testataan käytännössä. Kuten Richard Feynman totesi: if it disagrees with experiment, it is wrong.”

Simulaatioiden ja kokeiden yhdistämistä

Perinteisesti simulaatioita tekevien ja todellisia kokeita suorittavien tutkijoiden välillä on ollut henkinen kuilu. Caron mukaan tämä ero on kaventunut kun simulaatioista on tullut luotettavampia.

Caron ryhmä käyttää tutkimuksessaan koneoppimismalleja ja ohjelmistoja, jotka on koulutettu ryhmän tuottamilla data-aineistoilla. Toisin kuin generatiiviset tekoälytyökalut, kuten ChatGPT, heidän lähestymistapansa perustuu kvantitatiivisiin algoritmeihin.

“ChatGPT on hyödyllinen jonkin aiheen hahmottamiseen, mutta sen antamat tulokset on aina tarkistettava luotettavasta lähteestä. Meidän menetelmämme ennustavat suureita esimerkiksi kernel ridge regression -menetelmällä tai neuroverkoilla, jotka on koulutettu kvanttimekaanisten simulaatioiden tai kokeellisten tulosten pohjalta. Ne eivät vain keksi asioita, vaan nopeuttavat tutkimusta.”

Koneoppiminen muuttaa materiaalitiedettä nopeasti, mikä voi tuntua myös uhkaavalta. Uusia työkaluja ja menetelmiä syntyy nopeammin kuin tutkijat ehtivät niitä omaksua.

“Ennen kuin tutkija ehtii julkaista tutkimuksensa tuloksia, joku on saattanut jo kehittää paremman tavan tutkia samaa asiaa. Koneoppiminen on myös jatkuvaa tietämättömyyden lisääntymistä, koska ala laajenee nopeammin kuin oma tietämyksemme. Tutkijoista saattaa tuntua kuin kuilu avautuisi jalkojen alla.”

Miguel Caro aloitti nelivuotisessa apulaisprofessorin tehtävässä Kemian ja materiaalitieteen laitoksella heinäkuussa 2025.

* Natriumioniakkujen tutkimus on toteutettu professori Tomi Laurilan ja hänen ryhmänsä kanssa, mukaan lukien tohtorikoulutettava Luong Trung. Myös VTT on projektissa mukana. Caron ryhmässä projektin pääasiallinen tutkija on postdoc-tutkija Alexis Front, ja projektiin osallistuu myös postdoc-tutkija Tigany Zarrouk. Rahoitus on saatu RCF:ltä ja EU:lta M-ERA.net-ohjelman kautta.