Alkalmazási ÚTMUTATÓ

AI az Anyagfelfedezésben

A mesterséges intelligencia megjósolja, hogy mely új anyagok létezhetnek, melyek stabilak és hasznos tulajdonságokkal rendelkeznek, így drámai mértékben lecsökkenti a keresést a lehetséges vegyületek szinte végtelen terében.

Hallgassa meg ezt az útmutatótAI-narrált · ~2 min

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. Az AI jövője az anyagfelfedezésben
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Az akkumulátorok, napelemek, szupravezetők és katalizátorok esetében fontos, ahol a megfelelő anyag megtalálása akár évtizedekig is eltarthat.

Mély merülés

A mesterséges intelligencia eszközök képesek kiszűrni a jelölt kristályokat vagy struktúrákat generálni a tulajdonságok korlátozása mellett, de az előrejelzések független érvényesítést igényelnek. A 2023-as GNoME-tanulmányában a DeepMind 381 000 új stabil anyagról és 736, egymástól függetlenül kísérletileg igazolt szerkezetről számolt be. A MatterGen másfajta generatív megközelítést alkalmaz: diffúziós folyamata finomítja az atomtípusokat, a koordinátákat és a periodikus rácsot, tanulmánya pedig a tulajdonságok korlátai felé történő finomhangolást tanulmányozza. A számítási stabilitás vagy a generált struktúra önmagában nem alapozza meg a gyakorlati szintetizálhatóságot vagy a hasznos mért teljesítményt.

Valós megvalósítás

A DeepMind GNoME-ja több százezer új stabil kristályszerkezetet jósol meg és bővíti az ismert anyagadatbázisokat

Gépi tanult interatomi potenciálok gyorsan futnak, közel DFT-pontosságú molekuláris dinamika ötvözetek és elektrolitok számára

Generatív modellek, mint például a MatterGen, amely kristályokat javasol a kívánt sávrésre vagy mágneses tulajdonságra

Önvezető laborok (pl. az A-Lab), ahol a mesterséges intelligencia kiválasztja a jelölteket, a robotok pedig önállóan szintetizálják és jellemzik őket

Az AI jövője az anyagfelfedezésben

A határ bezárja a kört: a célzott anyagokat javasoló generatív tervezés, a szintézis útvonalát megtervező mesterséges intelligencia, valamint az autonóm robotlaborok elkészítése és mérése a modellekbe visszacsatolt eredményekkel. A szintetizálhatóság jobb kezelése várható, nem csak a termodinamikai stabilitás, valamint a gépi tanult interatomi potenciálok növekedése, amelyek közel kvantumpontossággal, de sokkal nagyobb sebességgel futtatják a molekuláris szimulációkat, ami hosszabb és nagyobb kísérleteket tesz lehetővé.

A gyakorlatba ültetés

Miért számít

  • Építési lehetőségek. Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
  • Csapat és munkafolyamat. A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
  • Kockázat és biztonság. A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.

Vigyázz

  • Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
  • A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
  • A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.

Következő lépések

  1. Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
  2. Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
  3. Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
  4. Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the AI in Materials Discovery quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az AI az Anyagfelfedezésben?

A mesterséges intelligencia megjósolja, hogy mely új anyagok létezhetnek, melyek stabilak és hasznos tulajdonságokkal rendelkeznek, így drámai mértékben lecsökkenti a keresést a lehetséges vegyületek szinte végtelen terében. Az akkumulátorok, napelemek, szupravezetők és katalizátorok esetében fontos, ahol a megfelelő anyag megtalálása akár évtizedekig is eltarthat.

Hogyan ábrázol egy gráf neurális hálózat általában egy kristályt?

A kristályok természetesen gráfok: az atomok csomópontok, az atomközi kötések pedig élek, lehetővé téve a GNN-ek számára, hogy megtanulják a szerkezet-tulajdonság összefüggéseket.

Milyen lassú fizikai számításokat helyettesítenek az AI-helyettesítők a gyors szűrésnél?

A DFT pontos, de drága; A neurális helyettesítők ezredmásodpercekben közelítik meg a tulajdonság-előrejelzéseit, hogy sok jelöltet szűrjenek.

Mihez járult hozzá a DeepMind GNoME 2023-ban?

A GNoME nagyszámú új stabil kristályt jósolt meg, jelentősen bővítve a jelölt anyagok adatbázisát.

Miért fontos a rotációs és transzlációs invariancia az anyagmodellekben?

A fizikai tulajdonságok nem változhatnak, ha forgatja, mozgatja vagy átcímkézi az atomokat; ezekbe a szimmetriákba építés javítja a pontosságot és az adathatékonyságot.

Mit jelent az „önvezető labor” az anyagkutatásban?

Az autonóm laboratóriumok zárják a kört: az AI anyagokat javasol, és robotrendszerek készítik és jellemzik őket, és az eredményeket visszaadják a modelleknek.