Waarom meer niet altijd beter is. En wat ChatGPT daar niet van begrijpt.
AI is overal, maar begrijpt ze ook iets?
Artificiële intelligentie is in sneltempo onze samenleving binnengedrongen. Het schrijft teksten, plant routes, doet sollicitatiegesprekken en maakt kunst. ChatGPT, de bekendste onder hen, lijkt een digitale alleskunner. De belofte klinkt eenvoudig: geef het genoeg data en het lost zowat elk probleem op.
Dat idee dat meer automatisch beter is, zit diep. Meer data, meer rekenkracht, meer complexiteit: het klinkt als vooruitgang. Maar klopt dat wel?
Die vraag stelde ik mezelf tijdens mijn masterproef. Geen digitale wereld, maar een echt labo met reageerbuizen en meetinstrumenten. Mijn onderzoek draaide rond koper-nanodeeltjes: piepkleine deeltjes die kunnen worden ingezet als katalysatoren, bijvoorbeeld om CO₂ om te zetten in bruikbare moleculen. Hun potentieel is groot, maar hun gedrag is moeilijk te voorspellen en sterk afhankelijk van hun exacte grootte. Die grootte is echter gevoelig voor kleine wijzigingen in het syntheseproces en vraagt dus diepgaand onderzoek naar de meest geschikte syntheseprocedure om de gewenste deeltjes te produceren.
De verborgen ecologische kost van onderzoek
De zoektocht naar nieuwe materialen vormt de basis voor veel duurzame innovaties: van efficiënte batterijen tot CO₂-conversie en groene katalyse. Maar wie ooit in een labo heeft gestaan, weet dat zulke ontwikkelingen vaak gebeuren via tijdrovende en materiaalverslindende trial-and-error-methodes (variabelen aanpassen, experiment uitvoeren, resultaat meten en opnieuw proberen).
Het probleem is dat elk experiment tijd, energie en grondstoffen vraagt, en bovendien ook afval produceert. In veel laboratoria komt dat neer op tientallen of honderden pogingen. De ironie is duidelijk: wie werkt aan nieuwe groene technologie, doet dat vaak met een aanzienlijke ecologische voetafdruk. In een wereld waar duurzaamheid steeds belangrijker wordt, is het belangrijk om ook te kijken hoe we als wetenschappers onze onderzoeksmethoden zelf duurzamer kunnen maken.
Slimmer werken met minder
De laatste jaren wordt artificiële intelligentie (AI) steeds vaker naar voren geschoven als de oplossing om materiaalonderzoek efficiënter te maken door voorafgaande aan de experimenten reeds voorspellingen te doen over de uitkomst. Het grote probleem van dergelijke AI-modellen, zoals ChatGPT, is dat ze enorme hoeveelheden data nodig hebben waarop ze getraind kunnen worden en dat zowel de training als het latere gebruik van deze AI-modellen vaak erg veel energie vragen.
Daarom onderzocht ik hoe AI wetenschappelijk onderzoek echt efficiënter en duurzamer kan maken. Niet door miljoenen datapunten te verzamelen, maar door een zo klein mogelijke dataset te gebruiken. In mijn geval waren dat 18 slim gekozen datapunten, uit een set van 25 experimenten.
Die experimentele gegevens dienden als input voor het trainen van verschillende AI-modellen die de grootte van de nanodeeltjes moesten voorspellen. Deze aanpak werkte verrassend goed. Klassieke ensemble-regressiemodellen konden de grootte kwantitatief voorspellen. Ze kunnen bijvoorbeeld voorspellen dat een bepaalde combinatie van parameters zou leiden tot deeltjes van 142 nanometer.
Met andere woorden: een minimaal aantal experimenten volstaat om een AI-model te trainen dat de syntheseparameters kan voorspellen om zo de gewenste deeltjesgrootte te krijgen. Het is dus niet langer nodig om tientallen experimenten uit te voeren waardoor de ecologische voetafdruk voor het onderzoek aanzienlijk kleiner wordt.
Wat ChatGPT niet begrijpt
Omdat ChatGPT en andere Large Language Models (LLM’s) vandaag vaak als de standaard in AI worden gezien, testten we ook deze modellen. Ze kregen een veel eenvoudigere taak: niet exact voorspellen, maar enkel zeggen of de deeltjes “groot” of “klein” zouden zijn.
Zelfs dat bleek te moeilijk. Hun prestaties waren nauwelijks beter dan willekeurig gokken. Terwijl de klassieke modellen bruikbare en precieze voorspellingen gaven, bleken LLM’s in dit domein onbetrouwbaar.
Daar stopt het niet bij. Waar mijn modellen binnen enkele minuten draaien op een gewone laptop, verbruiken LLM’s gigantisch veel energie en vereisen ze gespecialiseerde datacenters en zware computerinfrastructuur. Ze zijn dus niet alleen minder bruikbaar, maar ook veel minder duurzaam.
De les voor de toekomst
De kern van mijn onderzoek is dat vooruitgang niet altijd schuilt in meer data, meer experimenten of meer rekenkracht. Soms zijn eenvoud en efficiëntie net krachtiger. Waar grote taalmodellen als ChatGPT miljarden datapunten en gigantische hoeveelheden energie nodig hebben, tonen klassieke modellen dat je met een handvol zorgvuldig gekozen experimenten duurzame en betrouwbare inzichten kan krijgen. Voor de wetenschap van morgen is dat een belangrijke les: duurzaamheid gaat niet alleen over wat we onderzoeken, maar ook over hoe we het doen.
Bibliografie
Daniel, M.-C., & Astruc, D. (2004). Gold nanoparticles: Assembly, supramolecular chemistry, quantum-size-related properties, and applications toward biology, catalysis, and nanotechnology. Chemical Reviews, 104(1), 293–346.
Zhai, T., Li, L., Wang, X., Fang, X., Bando, Y., & Golberg, D. (2010). Recent developments in one-dimensional inorganic nanostructures for photodetectors. Advanced Functional Materials, 20(24), 4233–4248.
Gawande, M. B., Goswami, A., Felpin, F.-X., Asefa, T., Huang, X., Silva, R., Zou, X., Zboril, R., & Varma, R. S. (2016). Cu and Cu-based nanoparticles: Synthesis and applications in catalysis. Chemical Reviews, 116(6), 3722–3811
Pankhurst, Q. A., Connolly, J., Jones, S. K., & Dobson, J. (2003). Applications of magnetic nanoparticles in biomedicine. Journal of Physics D: Applied Physics, 36(13), R167–R181.
Baig, N., Kammakakam, I., & Falath, W. (2021). Nanomaterials: A review of synthesis methods, properties, recent progress, and challenges. Materials Advances, 2(6), 1821–1871.
Baum, Z. J., Yu, X., Ayala, P. Y., Zhao, Y., Watkins, S. P., & Zhou, Q. (2021). Artificial intelligence in chemistry: Current trends and future directions. Journal of Chemical Information and Modeling, 61(7), 3197–3212.
Nobel Prize Outreach. (2024). The Nobel Prize in Physics 2024 – Press release. NobelPrize.org. https://www.nobelprize.org/prizes/physics/2024/press-release/
Nobel Prize Outreach. (2024). The Nobel Prize in Chemistry 2024 – Press release. NobelPrize.org. https://www.nobelprize.org/prizes/chemistry/2024/press-release/
Butler, K. T., Davies, D. W., Cartwright, H., Isayev, O., & Walsh, A. (2018). Machine learning for molecular and materials science. Nature, 559(7715), 547–555.
Schmidt, J., Marques, M. R. G., Botti, S., & Marques, M. A. L. (2019). Recent advances and applications of machine learning in solid-state materials science. NPJ Computational Materials, 5(1), 83.
Sanchez-Lengeling, B., & Aspuru-Guzik, A. (2018). Inverse molecular design using machine learning: Generative models for matter engineering. Science, 361(6400), 360–365.
Huang, G., Guo, Y., Chen, Y., & Nie, Z. (2023). Application of machine learning in material synthesis and property prediction. Materials, 16(17), 5977.
Agrawal, A., & Choudhary, A. (2016). Perspective: Materials informatics and big data: Realization of the “fourth paradigm” of science in materials science. APL Materials, 4(5), 053208.
Williamson, A. J., & Brutchey, R. L. (2023). Using data-driven learning to predict and control the outcomes of inorganic materials synthesis. Inorganic Chemistry, 62(49), 19284–19295.
Che Lah, N. A. (2025). Properties optimisation of nanostructures via machine learning: Progress and perspective. Engineering Analysis with Boundary Elements, 171, 106063.
Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O'Reilly Media.
Shahriari, B., Swersky, K., Wang, Z., Adams, R. P., & de Freitas, N. (2016). Taking the human out of the loop: A review of Bayesian optimization. Proceedings of the IEEE, 104(1), 148–175.
Ma, Y., Xu, P., Li, M., Ji, X., Zhao, W., & Lu, W. (2024). The mastery of details in the workflow of materials machine learning. NPJ Computational Materials, 10, Article 141.
Guda, A. A., Kirichkov, M. V., Shapovalov, V. V., Muravlev, A. I., Pashkov, D. M., Guda, S. A., Bagliy, A. P., Soldatov, S. A., Chapek, S. V., & Soldatov, A. V. (2023). Machine learning analysis of reaction parameters in UV-mediated synthesis of gold nanoparticles. The Journal of Physical Chemistry C, 127(2), 1097-1108.
Tao, H., Wu, T., Kheiri, S., Aldeghi, M., Aspuru-Guzik, A., & Kumacheva, E. (2021). Self-driving platform for metal nanoparticle synthesis: Combining microfluidics and machine learning. Advanced Functional Materials, 31(2106725).
Epps, R. W., Bowen, M. S., Volk, A. A., Abdel-Latif, K., Han, S., Reyes, K. G., Amassian, A., & Abolhasani, M. (2020). Artificial chemist: An autonomous quantum dot synthesis bot. Advanced Materials, 32(2001626).
Pellegrino, F., Isopescu, R., Pellutiè, L., & others. (2020). Machine learning approach for elucidating and predicting the role of synthesis parameters on the shape and size of TiO₂ nanoparticles. Scientific Reports, 10, 18910.
Williams, M. K., Batchelor, R., Curry, R. J., & Lermusiaux, P. (2023). Optimizing silver nanowire synthesis: Machine learning improves and predicts yield for a polyol, millifluidic flow reactor. Applied Nanoscience, 13, 3157–3168.
Guo, X., Hao, C., Jin, G., Zhu, H.-Y., & Guo, X.-Y. (2014). Copper nanoparticles on graphene support: An efficient photocatalyst for coupling of nitroaromatics in visible light. Angewandte Chemie International Edition, 53(7), 1973–1977.
Reske, R., Mistry, H., Behafarid, F., Roldan Cuenya, B., & Strasser, P. (2014). Particle size effects in the catalytic electroreduction of CO2 on Cu nanoparticles. Journal of the American Chemical Society, 136(17), 6978–6986.
Chen, C., Zuo, Y., Ye, W., Li, X., Deng, Z., & Ong, S. P. (2020). A critical review of machine learning of energy matesubrials. Advanced Energy Materials, 10(19), 1903242.
Raccuglia, P., Elbert, K. C., Adler, P. D. F., Falk, C., Wenny, M. B., Mollo, A., Zeller, M., Friedler, S. A., Schrier, J., & Norquist, A. J. (2016). Machine-learning-assisted materials discovery using failed experiments. Nature, 533(7601), 73–76.
Fiévet, F., Ammar-Merah, S., Brayner, R., Chau, F., Giraud, M., Mammeri, F., Peron, J., Piquemal, J.-Y., Sicard, L., & Viau, G. (2018). The polyol process: A unique method for easy access to metal nanoparticles with tailored sizes, shapes and compositions. Chemical Society Reviews, 47(14), 5187–5233.
Blosi, M., Albonetti, S., Dondi, M., Ferretti, M., & Martelli, C. (2011). Microwave-assisted polyol synthesis of Cu nanoparticles. Journal of Nanoparticle Research, 13(1), 127138.
Teichert, J., Doert, T., & Ruck, M. (2018). Mechanisms of the polyol reduction of copper(II) salts depending on the anion type and diol chain length. Dalton Transactions, 47(44), 14085–14093.
Carpenter, E. E., Carroll, K. J., Reveles, J. U., Shultz, M. D., & Khanna, S. N. (2011). Preparation of elemental Cu and Ni nanoparticles by the polyol method: An experimental and theoretical approach. The Journal of Physical Chemistry C, 115(6), 2656–2664.
Borisut, P., & Nuchitprasittichai, A. (2023). Adaptive Latin hypercube sampling for a surrogate-based optimization with artificial neural network. Processes, 11(11), 3232.
Braham, E. J., Davidson, R. D., Al-Hashimi, M., Arróyave, R., & Banerjee, S. (2020). Navigating the design space of inorganic materials synthesis using statistical methods and machine learning. Dalton Transactions, 49(33), 11480–11488.
Vanpoucke, D. E. P., van Knippenberg, O. S. J., Hermans, K., Bernaerts, K. V., & Mehrkanoon, S. (2020). Small data materials design with machine learning: When the average model knows best. Journal of Applied Physics, 128(5), 054901.
Vanpoucke, D. E. P., Delgove, M. A. F., Stouten, J., Noordijk, J., De Vos, N., Matthysen, K., Deroover, G. G. P., Mehrkanoon, S., & Bernaerts, K. V. (2022). A machine learning approach for the design of hyperbranched polymeric dispersing agents based on aliphatic polyesters for radiation-curable inks. Polymer International, 71(8), 966–975.
Jablonka, K. M., Schwaller, P., Ortega-Guerrero, A., & Smit, B. (2024). Leveraging large language models for predictive chemistry. Nature Machine Intelligence, 6(2), 161–169.
Van Herck, J., Gil, M. V., Jablonka, K. M., Abrudan, A., Anker, A. S., Asgari, M., Blaiszik, B., Buffo, A., Choudhury, L., Corminboeuf, C., ... & Smit, B. (2025). Assessment of fine-tuned large language models for real-world chemistry and material science applications. Chemical Science, 16(3), 670–684.
Torras, M., & Roig, A. (2021). Copper oxide nanocubes wrapping metals by microwave synthesis. Crystal Growth & Design, 21(9), 5027–5035.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Danny E. P. Vanpoucke, AMADEUS v0.2. Available: https://github.com/DannyVanpoucke/Amadeus (2020).
Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 267–288.
Vargas-Urbano, M. A., Marín, L., Castillo, W. M., Rodríguez, L. A., Magén, C., Manotas-Albor, M., Diosa, J. E., & Gross, K. (2022). Effect of ethylene glycol: Citric acid molar ratio and pH on the morphology, vibrational, optical and electronic properties of TiO₂ and CuO powders synthesized by Pechini method. Materials, 15(15), 5266.
International Centre for Diffraction Data. (2001). PDF-2: Database card No. 04-0836, Copper (Cu), face-centered cubic. Newtown Square, PA: ICDD.
