De meeste AI-systemen presenteren hun antwoorden alsof het feiten zijn. Het nieuwe systeem Discovery doet dat niet. Het AI-systeem, ontwikkeld door een team van onderzoekers, beoordeelt tijdens het ontwerpen van nieuwe moleculen voortdurend hoe betrouwbaar de eigen uitkomsten zijn. Ziet het systeem onzekerheid in de data of de tools, dan past het de strategie aan of vraagt het om hulp van een mens.
Die aanpak noemen de onderzoekers 'calibrated deference'. Discovery past het vertrouwen in de eigen aannames dynamisch aan. Daarnaast beschikt het systeem over een persistent grafisch geheugen. Zoals beschreven op arxiv.org, helpt dat geheugen de AI om een consistent wereldmodel op te bouwen — en bij te werken zodra experimentele resultaten afwijken van de verwachtingen.
🧠 Even simpel uitgelegd
Stel je voor dat je een puzzel oplost met een vriend die soms gokt. Een normale AI zou elke gok als zeker presenteren. Discovery doet iets slimmers: het zegt bij elke stap hoe zeker het zich voelt. Voelt het zich onzeker, dan stelt het extra tests voor of vraagt het een mens om advies. Bovendien onthoudt het alles wat het leert, zodat het bij een tegenvallend resultaat zijn theorie kan bijstellen in plaats van koppig door te gaan.
De proef op de som: een batterij-elektrolyt
De onderzoekers testten Discovery in een project rond een negatieve elektrolyt voor een aqueous organic redox flow battery — een type batterij waarbij vloeibare stoffen de energie opslaan. In een zogenaamde 'closed-loop' samenwerking stelde de AI kandidaat-moleculen voor en analyseerde de uitkomsten, terwijl chemici de stoffen fysiek synthetiseerden en karakteriseerden. In totaal werden drie rondes met 17 kandidaten onderzocht.
In de beginfase stelde Discovery een molecuul voor met een verbetering van 130 mV in redoxpotentiaal ten opzichte van bestaande referenties in de literatuur. Maar de experimenten onthulden een probleem dat de voorspellende modellen niet hadden gezien: de elektrochemische reversibiliteit was ontoereikend.
Van fout naar doorbraak
In plaats van door te gaan op de oorspronkelijke koers, reageerde Discovery op de negatieve resultaten door alternatieve mechanistische hypothesen op te stellen. Het systeem prioriteerde specifieke diagnostische tests en stelde zo vast dat de slechte reversibiliteit werd veroorzaakt door 'ion pairing': een interactie tussen kaliumionen en fosfonaten.
De oplossing? De AI ontwierp een analoog op basis van sulfonaat, waardoor de interactie met kaliumionen afnam. Het resultaat: een nieuw molecuul met aanzienlijk betere reversibiliteit én een behouden verbetering van 90 mV in redoxpotentiaal.
Het onderzoek, gecategoriseerd onder Computational Engineering, laat zien hoe een AI die zijn eigen onzekerheid inschat, fouten kan omzetten in nieuwe inzichten. De synergie tussen menselijke expertise en adaptieve AI-redenering doorbreekt daarmee de beperkingen van de oorspronkelijke modellen. En hoewel dit project zich richtte op batterijtechnologie, biedt de methodiek potentieel voor elke wetenschappelijke discipline waar precisie en betrouwbaarheid cruciaal zijn.