AI በቁሳቁሶች ግኝት
AI የትኛዎቹ አዳዲስ ቁሶች ሊኖሩ እንደሚችሉ ይተነብያል፣ ይረጋጉ እና ጠቃሚ ባህሪያት፣ ይህም በተቻለ ውህዶች ማለቂያ በሌለው ቦታ ፍለጋውን በእጅጉ ይቀንሳል።
አጠቃላይ እይታ
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
ጥልቅ ዳይቭ
በተለምዶ፣ አዲስ ነገር ማግኘት ማለት ቀርፋፋ የሙከራ-እና-ስህተት ውህደት ወይም ውድ የኳንተም-ሜካኒካል ማስመሰያዎች ማለት ነው። AI ሁለቱንም ጫፎች ያፋጥናል. የግራፍ ነርቭ ኔትወርኮች ክሪስታልን እንደ አቶሞች (አንጓዎች) እና ቦንዶች (ጠርዞች) ይወክላሉ እና እንደ የምስረታ ሃይል፣ የባንድ ክፍተት፣ ወይም conductivity ያሉ ባህሪያትን በሚሊሰከንዶች ከሰዓታት ጥግግት ተግባራዊ ቲዎሪ ይልቅ መተንበይ ይማሩ። የጄነሬቲቭ ሞዴሎች ሙሉ ለሙሉ አዲስ የእጩ አወቃቀሮችን ያቀርባሉ፣ እና AI በሚሊዮኖች ለሚቆጠሩት በቤተ ሙከራ ውስጥ ሊሰሩ የሚገባቸውን ጥቂቶች እንዲጠቁሙ ያደርጋል። እ.ኤ.አ. በ2023 DeepMind's GNOME በመቶ ሺዎች የሚቆጠሩ የተተነበዩ የተረጋጋ ክሪስታሎች ሪፖርት አድርጓል፣ እና Microsoft's MatterGen በተፈለጉ ንብረቶች ላይ የተስተካከሉ አወቃቀሮችን ማመንጨት አሳይቷል። እነዚህ ሞዴሎች ሮቦቶች ውህደታቸውን የሚያጠናቅቁበት እና ከፍተኛ እጩዎችን በራስ ሰር የሚፈትኑበት ራስን የሚነዱ ላብራቶሪዎችን እየጨመሩ ነው።
ቴክኒካዊ ግንዛቤ
እንደ ግራፍ ኔትወርኮች ያሉ የክሪስታል-ንብረት ሞዴሎች የፊዚክስ ሲምሜትሪ ያከብራሉ፡ ለመተርጎም፣ ለማሽከርከር ወይም አተሞችን ለመሰየም የማይለዋወጡ ናቸው፣ ይህም ትንበያዎችን በአካል ወጥነት ያለው እና መረጃ ቆጣቢ ያደርገዋል። አንድ የተለመደ የቧንቧ መስመር በሚሊዮኖች ለሚቆጠሩ እጩዎች ደረጃ ለመስጠት ፈጣን የነርቭ ምትክ ይጠቀማል፣ከዚያም ምርጡን በ density functional theory ያረጋግጣል፣ እና በመጨረሻም ጥቂቶችን ያዋህዳል። ይህ ፍንጭ የማይታለፍ ፍለጋን ወደ ትራክት እጩዎች ዝርዝር ይለውጠዋል ጠንካራ የፊዚክስ ፍተሻዎችን በመጨረሻ ላይ ይጠብቃል።
ስልታዊ ተጽእኖ
ምርጫዎችን ይገንቡ
የመተግበሪያ ደረጃ ንድፍ AI እውነተኛ ውጤቶችን የሚያሻሽል መሆኑን ይወስናል።
ቡድን እና የስራ ፍሰት
ጥሩ የስራ ፍሰት ውህደት ተጠቃሚዎች የሚያምኑትን የምርታማነት ትርፍ ይፈጥራል።
አደጋ እና ደህንነት
በጥሩ ሁኔታ ጥቅም ላይ የዋሉ ጉዳዮች የለውጥ ድካም እና የመተግበር አደጋን ይቀንሳሉ.
የ AI የወደፊት በቁሳቁስ ግኝት
ድንበሩ ዑደቱን እየዘጋው ነው፡- ጄኔሬቲቭ ዲዛይን የታለሙ ቁሳቁሶችን ማቅረብ፣ AI የማዋሃድ መንገዱን ማቀድ እና ራሳቸውን የቻሉ የሮቦት ላብራቶሪዎችን በመስራት እና በመለካት ወደ ሞዴሎቹ በመመለስ ላይ ናቸው። የቴርሞዳይናሚክ መረጋጋትን ብቻ ሳይሆን በሞለኪውላዊ ማስመሰያዎችን በኳንተም ቅርብ በሆነ መልኩ የሚያሄዱ ነገር ግን ረጅም እና ትላልቅ ሙከራዎችን የሚከፍቱ በማሽን የተማሩ የኢንተርአቶሚክ አቅም እድገትን በተሻለ ሁኔታ የመዋሃድ አያያዝን ይጠብቁ።
የእውነተኛ-ዓለም አተገባበር
DeepMind's GNOME በመቶ ሺዎች የሚቆጠሩ አዳዲስ የተረጋጋ ክሪስታል አወቃቀሮችን በመተንበይ እና የታወቁ የቁሳቁስ ዳታቤዞችን እያሰፋ ነው።
በማሽን የተማረ የኢንተርአቶሚክ አቅም በፍጥነት፣ በዲኤፍቲ አቅራቢያ-ትክክለኛነት ያለው ሞለኪውላዊ ተለዋዋጭ ለ alloys እና electrolytes
እንደ MatterGen ያሉ የማመንጨት ሞዴሎች ለተፈለገው ባንድ ክፍተት ወይም መግነጢሳዊ ንብረቱ ላይ ያነጣጠሩ ክሪስታሎችን ያቀርባሉ
AI እጩዎችን የሚመርጥበት እና ሮቦቶች ራሳቸውን የሚያዋህዱበት እና ተለይተው የሚታወቁበት በራስ የሚሽከረከሩ ላቦራቶሪዎች (ለምሳሌ፣ A-Lab)
አደጋዎች እና የጥበቃ መንገዶች
የተበላሸ ሂደትን በራስ-ሰር ማድረግ አሁን ያሉትን ችግሮች ሊያሰፋ ይችላል.
ቡድኖች ከልክ በላይ አውቶማቲክ ማድረግ እና አስፈላጊውን የሰው ፍርድ ሊያስወግዱ ይችላሉ።
ውጤቶች በተከታታይ ካልተገመገሙ ጥራቱ ሊንሸራተት ይችላል።
የትግበራ ፍኖተ ካርታ
የአሁኑን የስራ ፍሰት ካርታ እና ከፍተኛ-ግጭት ደረጃን ይለዩ።
ሙሉ አውቶማቲክ ከመደረጉ በፊት የሰዎችን ፍተሻ ይግለጹ።
ተጠቃሚዎችን በጥያቄዎች፣በማሳደጊያ መንገዶች እና በጥራት ደረጃዎች አሰልጥኑ።
ዘላቂ እሴትን ለማረጋገጥ የተግባር ደረጃ ውጤቶችን ይከታተሉ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Materials Discovery quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
Isomorphic Labs የመድሃኒት ግኝት
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is AI in Materials Discovery?
AI የትኛዎቹ አዳዲስ ቁሶች ሊኖሩ እንደሚችሉ ይተነብያል፣ ይረጋጉ እና ጠቃሚ ባህሪያት፣ ይህም በተቻለ ውህዶች ማለቂያ በሌለው ቦታ ፍለጋውን በእጅጉ ይቀንሳል። ትክክለኛውን ቁሳቁስ ለማግኘት አሥርተ ዓመታት የሚወስድባቸው ባትሪዎች፣ የፀሐይ ህዋሶች፣ ሱፐርኮንዳክተሮች እና ማበረታቻዎች አስፈላጊ ነው።
የግራፍ ነርቭ አውታር በተለምዶ ክሪስታልን እንዴት ይወክላል?
ክሪስታሎች በተፈጥሯቸው ግራፎች ናቸው፡ አቶሞች ኖዶች እና ኢንተርአቶሚክ ቦንዶች ጠርዝ ናቸው፣ GNNs የመዋቅር እና የንብረት ግንኙነቶችን እንዲማሩ ያስችላቸዋል።
AI ተተኪዎች ለፈጣን ማጣሪያ ምን ዓይነት ቀርፋፋ የፊዚክስ ስሌት ይተካሉ?
DFT ትክክለኛ ነው ነገር ግን ውድ ነው; የነርቭ ተተኪዎች ብዙ እጩዎችን ለማጣራት የንብረቱን ትንበያ በሚሊሰከንዶች ይገመታል።
DeepMind's GNoME በ2023 ምን አበርክቷል?
GNOME ብዙ ቁጥር ያላቸው አዲስ የተረጋጉ ክሪስታሎች ተንብዮአል።
ለምንድነው የማዞሪያ እና የትርጉም ልዩነት በቁሳቁስ ሞዴሎች ውስጥ አስፈላጊ የሆነው?
አተሞችን ካዞሩ፣ ከተንቀሳቀሱ ወይም ካሰፈሩ አካላዊ ባህሪያት መቀየር የለባቸውም። በእነዚህ ሲሜትሮች ውስጥ መገንባት ትክክለኛነትን እና የውሂብን ውጤታማነት ያሻሽላል.
በቁሳቁስ ግኝት ውስጥ 'በራስ የሚነዳ ቤተ ሙከራ' ምንድን ነው?
ራስ-ሰር ቤተ-ሙከራዎች ዑደቱን ይዘጋሉ፡ AI ቁሳቁሶችን እና የሮቦት ስርዓቶችን እንዲሰሩ እና ባህሪያቸውን እንዲያሳዩ ሀሳብ ያቀርባል, ውጤቱን ወደ ሞዴሎቹ ይመልሳል.