AI в откриването на материали
AI прогнозира кои нови материали могат да съществуват, да бъдат стабилни и да имат полезни свойства, драматично свивайки търсенето в почти безкрайно пространство от възможни съединения.
Преглед
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
Дълбоко гмуркане
Традиционно откриването на нов материал означаваше бавен синтез на метода проба-грешка или скъпи квантово-механични симулации. AI ускорява и двата края. Графичните невронни мрежи представляват кристал като атоми (възли) и връзки (ръбове) и се научават да предсказват свойства като енергия на образуване, забранена лента или проводимост за милисекунди, а не за часове на функционалната теория на плътността. Генеративните модели предлагат изцяло нови кандидат-структури и AI проверява милиони от тях, за да маркира малкото, които си струва да бъдат направени в лаборатория. През 2023 г. GNoME на DeepMind докладва стотици хиляди прогнозирани стабилни кристали, а MatterGen на Microsoft демонстрира генериране на структури, обусловени от желани свойства. Все по-често тези модели захранват лаборатории за самостоятелно управление, където роботите синтезират и тестват автоматично най-добрите кандидати.
Техническа информация
Моделите на свойствата на кристали, като графичните мрежи, зачитат симетриите на физиката: те са инвариантни към транслиране, въртене или повторно етикетиране на атоми, което прави прогнозите физически последователни и ефективни по отношение на данните. Типичен тръбопровод използва бърз невронен сурогат, за да класира милиони кандидати, след това валидира най-добрите с функционалната теория на плътността и накрая синтезира шепа. Тази фуния превръща трудноразрешимото търсене в податлив кратък списък, като същевременно поддържа строги физически проверки в края.
Стратегическо въздействие
Build choices
Дизайнът на ниво приложение определя дали AI подобрява реалните резултати.
Team and workflow
Добрата интеграция на работния процес създава печалби в производителността, на които потребителите могат да се доверят.
Risk and safety
Добре обхванатите случаи на употреба намаляват умората от промяна и риска от внедряване.
Бъдещето на AI в откриването на материали
Границата затваря цикъла: генеративен дизайн, предлагащ целеви материали, AI, планиращ пътя на синтеза, и автономни роботизирани лаборатории, които ги правят и измерват, като резултатите се връщат обратно в моделите. Очаквайте по-добро управление на способността за синтезиране, не само термодинамична стабилност, плюс растеж на машинно научени междуатомни потенциали, които изпълняват молекулярни симулации с почти квантова точност, но значително по-голяма скорост, отключвайки по-дълги и по-големи експерименти.
Внедряване в реалния свят
GNoME на DeepMind предвижда стотици хиляди нови стабилни кристални структури и разширява бази данни с известни материали
Машинно научени междуатомни потенциали, работещи бързо, молекулярна динамика с почти DFT точност за сплави и електролити
Генеративни модели като MatterGen, предлагащи кристали, насочени към желана ширина на лентата или магнитно свойство
Самоуправляващи се лаборатории (напр. A-Lab), където AI избира кандидати, а роботите ги синтезират и характеризират автономно
Рискове и предпазни огради
Автоматизирането на счупен процес може да засили съществуващите проблеми.
Екипите могат да автоматизират прекалено и да премахнат необходимата човешка преценка.
Качеството може да се промени, ако резултатите не се оценяват непрекъснато.
Пътна карта за изпълнение
Картирайте текущия работен процес и идентифицирайте стъпката с най-голямо триене.
Определете човешки контролни точки преди пълна автоматизация.
Обучете потребителите на подкани, пътища за ескалация и стандарти за качество.
Проследявайте резултатите на ниво задача, за да потвърдите устойчива стойност.
Продължете да изследвате
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
Next guide
Изоморфни лаборатории за откриване на лекарства
Frequently asked questions
What is AI in Materials Discovery?
AI прогнозира кои нови материали могат да съществуват, да бъдат стабилни и да имат полезни свойства, драматично свивайки търсенето в почти безкрайно пространство от възможни съединения. Има значение за батерии, слънчеви клетки, свръхпроводници и катализатори, където намирането на подходящия материал може да отнеме десетилетия.
Как графичната невронна мрежа обикновено представя кристал?
Кристалите са естествено графики: атомите са възли, а междуатомните връзки са ръбове, което позволява на GNN да научат връзките структура-свойство.
Какви бавни физични изчисления заместителите на AI често заместват за бърз скрининг?
DFT е точен, но скъп; невронните сурогати приближават своите прогнози за свойства за милисекунди, за да проверят много кандидати.
Какво допринесе GNoME на DeepMind през 2023 г.?
GNoME прогнозира голям брой нови стабилни кристали, значително разширявайки базите данни с кандидат материали.
Защо ротационната и транслационната инвариантност е важна в моделите на материалите?
Физическите свойства не трябва да се променят, ако завъртите, преместите или пренапишете атоми; изграждането на тези симетрии подобрява точността и ефективността на данните.
Какво е „самоуправляваща се лаборатория“ в откриването на материали?
Автономните лаборатории затварят цикъла: изкуственият интелект предлага материали, а роботизираните системи ги правят и характеризират, предавайки резултатите обратно на моделите.