Sztuczna inteligencja w odkrywaniu materiałów
Sztuczna inteligencja przewiduje, które nowe materiały mogą istnieć, być stabilne i mieć przydatne właściwości, co radykalnie zawęża poszukiwania w niemal nieskończonej przestrzeni możliwych związków.
Przegląd
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
Głębokie nurkowanie
Tradycyjnie odkrycie nowego materiału oznaczało powolną syntezę metodą prób i błędów lub kosztowne symulacje mechaniki kwantowej. AI przyspiesza oba końce. Graficzne sieci neuronowe przedstawiają kryształ jako atomy (węzły) i wiązania (krawędzie) i uczą się przewidywać właściwości, takie jak energia formowania, pasmo wzbronione czy przewodność, w milisekundach, a nie w godzinach teorii funkcjonału gęstości. Modele generatywne proponują zupełnie nowe potencjalne struktury, a sztuczna inteligencja przegląda miliony z nich, aby wskazać te kilka, które warto stworzyć w laboratorium. W 2023 roku GNOME firmy DeepMind zgłosiło setki tysięcy przewidywanych stabilnych kryształów, a MatterGen firmy Microsoft zademonstrował generowanie struktur uwarunkowanych pożądanymi właściwościami. Coraz częściej modele te zasilają autonomiczne laboratoria, w których roboty automatycznie syntetyzują i testują najlepszych kandydatów.
Wgląd techniczny
Modele właściwości kryształów, takie jak sieci grafów, respektują symetrie fizyczne: są niezmienne w przypadku translacji, obracania lub ponownego oznaczania atomów, co sprawia, że przewidywania są fizycznie spójne i wydajne pod względem danych. Typowy potok wykorzystuje szybki surogat neuronowy do uszeregowania milionów kandydatów, następnie sprawdza najlepsze z nich za pomocą teorii funkcjonału gęstości i na koniec syntetyzuje garść. Ta ścieżka zamienia trudne wyszukiwanie w łatwą do realizacji krótką listę, przy jednoczesnym rygorystycznym sprawdzaniu fizyki na końcu.
Wpływ strategiczny
Buduj wybory
Projektowanie na poziomie aplikacji określa, czy sztuczna inteligencja poprawia rzeczywiste wyniki.
Zespół i przepływ pracy
Dobra integracja przepływu pracy zapewnia wzrost produktywności, któremu użytkownicy mogą zaufać.
Ryzyko i bezpieczeństwo
Dobrze określone przypadki użycia zmniejszają zmęczenie zmianami i ryzyko wdrożenia.
Przyszłość sztucznej inteligencji w odkrywaniu materiałów
Granica zamyka pętlę: projektowanie generatywne proponujące ukierunkowane materiały, sztuczna inteligencja planująca trasę syntezy oraz autonomiczne laboratoria robotyczne tworzące i mierzące je, a wyniki przekazywane z powrotem do modeli. Spodziewaj się lepszej obsługi możliwości syntezy, a nie tylko stabilności termodynamicznej, a także wzrostu wyuczonych maszynowo potencjałów międzyatomowych, które umożliwiają symulacje molekularne z niemal kwantową dokładnością, ale ze znacznie większą szybkością, co umożliwi dłuższe i większe eksperymenty.
Implementacja w świecie rzeczywistym
GNOME firmy DeepMind przewiduje setki tysięcy nowych stabilnych struktur krystalicznych i rozszerza bazy danych znanych materiałów
Uczone maszynowo potencjały międzyatomowe działają szybko, dynamika molekularna z dokładnością bliską DFT dla stopów i elektrolitów
Modele generatywne, takie jak MatterGen, proponują kryształy ukierunkowane na pożądane pasmo wzbronione lub właściwości magnetyczne
Laboratoria autonomiczne (np. A-Lab), w których sztuczna inteligencja wybiera kandydatów, a roboty autonomicznie je syntetyzują i charakteryzują
Zagrożenia i poręcze
Automatyzacja uszkodzonego procesu może spotęgować istniejące problemy.
Zespoły mogą nadmiernie zautomatyzować i wyeliminować niezbędny ludzki osąd.
Jakość może się wahać, jeśli wyniki nie są stale oceniane.
Plan wdrożenia
Zamapuj bieżący przepływ pracy i zidentyfikuj etap o największym tarciu.
Zdefiniuj ludzkie punkty kontrolne przed pełną automatyzacją.
Szkoluj użytkowników w zakresie podpowiedzi, ścieżek eskalacji i standardów jakości.
Śledź wyniki na poziomie zadań, aby potwierdzić trwałą wartość.
Odkrywaj dalej
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
Następny poradnik
Odkrycie leków w laboratoriach izomorficznych
Często zadawane pytania
What is AI in Materials Discovery?
Sztuczna inteligencja przewiduje, które nowe materiały mogą istnieć, być stabilne i mieć przydatne właściwości, co radykalnie zawęża poszukiwania w niemal nieskończonej przestrzeni możliwych związków. Ma to znaczenie w przypadku baterii, ogniw słonecznych, nadprzewodników i katalizatorów, gdzie znalezienie odpowiedniego materiału może zająć dziesięciolecia.
W jaki sposób grafowa sieć neuronowa zazwyczaj reprezentuje kryształ?
Kryształy to naturalnie wykresy: atomy to węzły, a wiązania międzyatomowe to krawędzie, dzięki czemu sieci GNN uczą się zależności struktura-właściwość.
Jakie powolne obliczenia fizyczne często zastępują substytuty AI w celu szybkiego sprawdzania?
DFT jest dokładny, ale drogi; Surogaty neuronowe przybliżają przewidywania swoich właściwości w milisekundach, aby sprawdzić wielu kandydatów.
Jaki wkład GNOME firmy DeepMind wniósł w 2023 r.?
Projekt GNOME przewidział dużą liczbę nowych stabilnych kryształów, znacznie poszerzając bazy danych kandydatów na materiały.
Dlaczego niezmienność rotacyjna i translacyjna jest ważna w modelach materiałowych?
Właściwości fizyczne nie powinny się zmieniać w przypadku obracania, przesuwania lub ponownego oznaczania atomów; budowanie tych symetrii poprawia dokładność i wydajność danych.
Czym jest „samobieżne laboratorium” w odkrywaniu materiałów?
Laboratoria autonomiczne zamykają obieg: sztuczna inteligencja proponuje materiały, a systemy robotyczne wytwarzają je i charakteryzują, przekazując wyniki z powrotem do modeli.