คู่มือแอปพลิเคชัน

AI ในการค้นพบวัสดุ

AI คาดการณ์ว่าวัสดุใหม่ชนิดใดอาจมีอยู่ มีความเสถียร และมีคุณสมบัติที่เป็นประโยชน์ ซึ่งทำให้การค้นหาลดลงอย่างมากผ่านพื้นที่สารประกอบที่เป็นไปได้ที่แทบจะไม่มีที่สิ้นสุด

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของ AI ในการค้นพบวัสดุ
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.

เจาะลึก

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.

การใช้งานจริงในโลกแห่งความเป็นจริง

GNoME ของ DeepMind คาดการณ์โครงสร้างผลึกที่มีความเสถียรใหม่นับแสนและขยายฐานข้อมูลวัสดุที่รู้จัก

ศักย์ไฟฟ้าระหว่างอะตอมที่เรียนรู้โดยเครื่องจักรทำงานอย่างรวดเร็วและมีความแม่นยำใกล้เคียง DFT ของโมเลกุลสำหรับโลหะผสมและอิเล็กโทรไลต์

แบบจำลองกำเนิดเช่น MatterGen เสนอคริสตัลโดยมีเป้าหมายไปที่ช่องว่างของแถบความถี่หรือคุณสมบัติทางแม่เหล็กที่ต้องการ

ห้องปฏิบัติการที่ขับเคลื่อนด้วยตนเอง (เช่น A-Lab) ซึ่ง AI เลือกผู้สมัครและหุ่นยนต์จะสังเคราะห์และกำหนดลักษณะโดยอัตโนมัติ

อนาคตของ AI ในการค้นพบวัสดุ

ขอบเขตกำลังปิดวงจร: การออกแบบเชิงกำเนิดเสนอวัสดุเป้าหมาย, AI วางแผนเส้นทางการสังเคราะห์ และห้องปฏิบัติการหุ่นยนต์อัตโนมัติที่สร้างและวัดวัสดุเหล่านั้นพร้อมผลลัพธ์ที่ป้อนกลับเข้าไปในแบบจำลอง คาดว่าจะมีการจัดการความสามารถในการสังเคราะห์ที่ดีขึ้น ไม่ใช่แค่ความเสถียรทางอุณหพลศาสตร์ บวกกับการเติบโตของศักยภาพระหว่างอะตอมที่เรียนรู้ด้วยเครื่องซึ่งดำเนินการจำลองโมเลกุลด้วยความแม่นยำใกล้ควอนตัม แต่มีความเร็วที่มากขึ้นอย่างมหาศาล ปลดล็อคการทดลองที่ยาวและใหญ่ขึ้น

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • สร้างทางเลือก. การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่
  • ทีมงานและขั้นตอนการทำงาน. การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้
  • ความเสี่ยงและความปลอดภัย. กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ

ระวัง

  • การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้
  • ทีมอาจดำเนินการอัตโนมัติมากเกินไปและลบวิจารณญาณของมนุษย์ที่จำเป็นออก
  • คุณภาพอาจคลาดเคลื่อนได้หากไม่ได้รับการประเมินผลลัพธ์อย่างต่อเนื่อง

ขั้นตอนต่อไป

  1. แมปขั้นตอนการทำงานปัจจุบันและระบุขั้นตอนที่มีแรงเสียดทานสูงสุด
  2. กำหนดจุดตรวจของมนุษย์ก่อนระบบอัตโนมัติเต็มรูปแบบ
  3. ฝึกอบรมผู้ใช้เกี่ยวกับการแจ้งเตือน เส้นทางการยกระดับ และมาตรฐานคุณภาพ
  4. ติดตามผลลัพธ์ระดับงานเพื่อยืนยันคุณค่าที่ยั่งยืน

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the AI in Materials Discovery quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

What is AI in Materials Discovery?

AI คาดการณ์ว่าวัสดุใหม่ชนิดใดอาจมีอยู่ มีความเสถียร และมีคุณสมบัติที่เป็นประโยชน์ ซึ่งทำให้การค้นหาลดลงอย่างมากผ่านพื้นที่สารประกอบที่เป็นไปได้ที่แทบจะไม่มีที่สิ้นสุด สิ่งสำคัญสำหรับแบตเตอรี่ เซลล์แสงอาทิตย์ ตัวนำยิ่งยวด และตัวเร่งปฏิกิริยา ซึ่งการค้นหาวัสดุที่เหมาะสมอาจใช้เวลาหลายทศวรรษ

โดยทั่วไปแล้วโครงข่ายประสาทเทียมแบบกราฟจะเป็นตัวแทนของคริสตัลได้อย่างไร

คริสตัลเป็นกราฟโดยธรรมชาติ อะตอมเป็นโหนดและพันธะระหว่างอะตอมเป็นขอบ ทำให้ GNN เรียนรู้ความสัมพันธ์ระหว่างโครงสร้างและคุณสมบัติ

การคำนวณทางฟิสิกส์ที่ช้าแบบใดที่ตัวแทน AI มักจะแทนที่เพื่อการคัดกรองที่รวดเร็ว

DFT นั้นแม่นยำแต่มีราคาแพง ตัวแทนประสาทจะประมาณการคาดการณ์คุณสมบัติในหน่วยมิลลิวินาทีเพื่อคัดกรองผู้สมัครจำนวนมาก

GNoME ของ DeepMind มีส่วนสนับสนุนอะไรบ้างในปี 2023

GNoME ทำนายคริสตัลเสถียรใหม่ๆ จำนวนมาก ซึ่งขยายฐานข้อมูลของวัสดุที่เข้าข่ายได้อย่างมาก

เหตุใดค่าคงที่การหมุนและการแปลจึงมีความสำคัญในแบบจำลองวัสดุ

คุณสมบัติทางกายภาพไม่ควรเปลี่ยนแปลงหากคุณหมุน ย้าย หรือติดป้ายกำกับอะตอมใหม่ การสร้างความสมมาตรเหล่านี้ช่วยเพิ่มความแม่นยำและประสิทธิภาพของข้อมูล

'ห้องปฏิบัติการขับเคลื่อนด้วยตนเอง' ในการค้นพบวัสดุคืออะไร

ห้องปฏิบัติการอัตโนมัติปิดวงจร: AI เสนอวัสดุและระบบหุ่นยนต์ที่สร้างและกำหนดลักษณะวัสดุเหล่านั้น โดยป้อนผลลัพธ์กลับไปยังแบบจำลอง

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →