Il prossimoProssima guida
Intelligenza artificiale per materiali educativi per i pazienti
Applicazioni
GUIDA alle applicazioni
L’intelligenza artificiale prevede quali nuovi materiali potrebbero esistere, essere stabili e avere proprietà utili, riducendo drasticamente la ricerca attraverso uno spazio quasi infinito di possibili composti.
Ascolta questa guidaNarrato dall'IA · ~2 min
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
AI tools can screen candidate crystals or generate structures under property constraints, but predictions need independent validation. In its 2023 GNoME study, DeepMind reported 381,000 new stable materials and 736 structures independently experimentally verified. MatterGen takes a different generative approach: its diffusion process refines atom types, coordinates, and the periodic lattice, and its paper studies fine-tuning toward property constraints. Computational stability or a generated structure alone does not establish practical synthesizability or useful measured performance.
GNoME di DeepMind prevede centinaia di migliaia di nuove strutture cristalline stabili e amplia i database dei materiali conosciuti
Potenziali interatomici appresi dalla macchina che eseguono dinamiche molecolari veloci e quasi precise DFT per leghe ed elettroliti
Modelli generativi come MatterGen che propongono cristalli mirati a un gap di banda o una proprietà magnetica desiderata
Laboratori a guida autonoma (ad esempio, l’A-Lab) in cui l’intelligenza artificiale seleziona i candidati e i robot li sintetizzano e li caratterizzano autonomamente
La frontiera sta chiudendo il ciclo: progettazione generativa che propone materiali mirati, intelligenza artificiale che pianifica il percorso di sintesi e laboratori robotici autonomi che li realizzano e li misurano con i risultati che ritornano nei modelli. Aspettatevi una migliore gestione della sintetizzabilità, non solo della stabilità termodinamica, oltre alla crescita dei potenziali interatomici appresi dalle macchine che eseguono simulazioni molecolari con una precisione quasi quantistica ma con una velocità notevolmente maggiore, sbloccando esperimenti più lunghi e più grandi.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L’intelligenza artificiale prevede quali nuovi materiali potrebbero esistere, essere stabili e avere proprietà utili, riducendo drasticamente la ricerca attraverso uno spazio quasi infinito di possibili composti. È importante per batterie, celle solari, superconduttori e catalizzatori, dove trovare il materiale giusto può richiedere decenni.
I cristalli sono naturalmente grafici: gli atomi sono nodi e i legami interatomici sono bordi, consentendo alle GNN di apprendere le relazioni struttura-proprietà.
Il DFT è accurato ma costoso; i surrogati neurali approssimano le sue previsioni sulle proprietà in millisecondi per selezionare molti candidati.
GNoME ha previsto un gran numero di nuovi cristalli stabili, espandendo sostanzialmente i database dei materiali candidati.
Le proprietà fisiche non dovrebbero cambiare se ruoti, sposti o rietichetta gli atomi; la creazione di queste simmetrie migliora l'accuratezza e l'efficienza dei dati.
I laboratori autonomi chiudono il cerchio: l’intelligenza artificiale propone i materiali e i sistemi robotici li realizzano e li caratterizzano, restituendo i risultati ai modelli.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Intelligenza artificiale per materiali educativi per i pazienti
Applicazioni