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.
Áttekintés
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
Mély merülés
Hagyományosan egy új anyag felfedezése lassú próba-hiba szintézist vagy drága kvantummechanikai szimulációkat jelentett. Az AI mindkét végét felgyorsítja. A gráf neurális hálózatok egy kristályt atomokként (csomópontok) és kötésekként (élekként) jelenítenek meg, és megtanulják megjósolni az olyan tulajdonságokat, mint a képződési energia, a sávszélesség vagy a vezetőképesség ezredmásodpercekben, nem pedig a sűrűség-funkcionális elmélet órákban. A generatív modellek teljesen új jelölt struktúrákat javasolnak, és az AI ezek millióit szűri át, hogy megjelölje azokat a keveseket, amelyeket érdemes laboratóriumban elkészíteni. 2023-ban a DeepMind GNoME több százezer előre jelzett stabil kristályról számolt be, a Microsoft MatterGen pedig a kívánt tulajdonságokhoz kötött struktúrák létrehozását mutatta be. Ezek a modellek egyre inkább táplálják az önvezető laboratóriumokat, ahol a robotok automatikusan szintetizálják és tesztelik a legjobb jelölteket.
Technikai betekintés
A kristálytulajdonság-modellek, például a gráfhálózatok tiszteletben tartják a fizika szimmetriáit: invariánsak az atomok lefordítása, forgatása vagy újracímkézése során, ami az előrejelzéseket fizikailag konzisztenssé és adathatékonyabbá teszi. Egy tipikus csővezeték gyors neurális helyettesítőt használ több millió jelölt rangsorolására, majd a sűrűségfunkcionális elmélettel validálja a legjobbat, végül pedig szintetizál egy maroknyit. Ez a tölcsér a megoldhatatlan keresést követhető listává változtatja, miközben szigorú fizikai ellenőrzéseket tart a végén.
Stratégiai hatás
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.
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.
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
Kockázatok és védőkorlátok
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.
Végrehajtási ütemterv
Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.
Folytassa a felfedezést
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
Következő útmutató
Izomorf Laboratóriumok Gyógyszerfelfedezése
Gyakran ismételt kérdések
What is AI in Materials Discovery?
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.