AI ในการค้นพบวัสดุ
AI คาดการณ์ว่าวัสดุใหม่ชนิดใดอาจมีอยู่ มีความเสถียร และมีคุณสมบัติที่เป็นประโยชน์ ซึ่งทำให้การค้นหาลดลงอย่างมากผ่านพื้นที่สารประกอบที่เป็นไปได้ที่แทบจะไม่มีที่สิ้นสุด
ภาพรวม
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
เจาะลึก
ตามเนื้อผ้า การค้นพบวัสดุใหม่หมายถึงการสังเคราะห์การทดลองและข้อผิดพลาดที่ช้าหรือการจำลองทางกลควอนตัมที่มีราคาแพง AI accelerates both ends. โครงข่ายประสาทเทียมแบบกราฟแสดงคริสตัลในรูปของอะตอม (โหนด) และพันธะ (ขอบ) และเรียนรู้ที่จะทำนายคุณสมบัติ เช่น พลังงานของการก่อตัว ช่องว่างของแถบความถี่ หรือสภาพการนำไฟฟ้าในหน่วยมิลลิวินาที แทนที่จะเป็นชั่วโมงของทฤษฎีฟังก์ชันความหนาแน่น แบบจำลองเจนเนอเรทีฟเสนอโครงสร้างผู้สมัครใหม่ทั้งหมด และ AI จะคัดกรองโครงสร้างหลายล้านโครงสร้างเพื่อระบุโครงสร้างที่คุ้มค่าเพียงไม่กี่แห่งในห้องปฏิบัติการ ในปี 2023 GNoME ของ DeepMind รายงานผลึกเสถียรที่คาดการณ์ไว้นับแสนรายการ และ MatterGen ของ Microsoft สาธิตโครงสร้างการสร้างที่มีเงื่อนไขตามคุณสมบัติที่ต้องการ โมเดลเหล่านี้ป้อนเข้าห้องปฏิบัติการไร้คนขับเพิ่มมากขึ้น ซึ่งหุ่นยนต์จะสังเคราะห์และทดสอบตัวเลือกอันดับต้นๆ โดยอัตโนมัติ
ข้อมูลเชิงลึกทางเทคนิค
โมเดลคุณสมบัติคริสตัล เช่น เครือข่ายกราฟเคารพสมมาตรของฟิสิกส์ โดยโมเดลเหล่านี้ไม่แปรเปลี่ยนจากการแปล การหมุน หรือการกำหนดป้ายกำกับอะตอมใหม่ ซึ่งทำให้การคาดการณ์มีความสอดคล้องทางกายภาพและมีประสิทธิภาพในข้อมูล ไปป์ไลน์ทั่วไปใช้ตัวแทนประสาทที่รวดเร็วเพื่อจัดอันดับผู้สมัครหลายล้านคน จากนั้นตรวจสอบสิ่งที่ดีที่สุดด้วยทฤษฎีฟังก์ชันความหนาแน่น และสุดท้ายก็สังเคราะห์เพียงไม่กี่คน ช่องทางนี้เปลี่ยนการค้นหาที่ยากให้กลายเป็นรายการที่น่าสนใจ ในขณะเดียวกันก็ยังมีการตรวจสอบฟิสิกส์ที่เข้มงวดในตอนท้าย
ผลกระทบเชิงกลยุทธ์
สร้างทางเลือก
การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่
ทีมงานและขั้นตอนการทำงาน
การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้
ความเสี่ยงและความปลอดภัย
กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ
อนาคตของ AI ในการค้นพบวัสดุ
ขอบเขตกำลังปิดวงจร: การออกแบบเชิงกำเนิดเสนอวัสดุเป้าหมาย, AI วางแผนเส้นทางการสังเคราะห์ และห้องปฏิบัติการหุ่นยนต์อัตโนมัติที่สร้างและวัดวัสดุเหล่านั้นพร้อมผลลัพธ์ที่ป้อนกลับเข้าไปในแบบจำลอง คาดว่าจะมีการจัดการความสามารถในการสังเคราะห์ที่ดีขึ้น ไม่ใช่แค่ความเสถียรทางอุณหพลศาสตร์ บวกกับการเติบโตของศักยภาพระหว่างอะตอมที่เรียนรู้ด้วยเครื่องซึ่งดำเนินการจำลองโมเลกุลด้วยความแม่นยำใกล้ควอนตัม แต่มีความเร็วที่มากขึ้นอย่างมหาศาล ปลดล็อคการทดลองที่ยาวและใหญ่ขึ้น
การใช้งานจริงในโลกแห่งความเป็นจริง
GNoME ของ DeepMind คาดการณ์โครงสร้างผลึกที่มีความเสถียรใหม่นับแสนและขยายฐานข้อมูลวัสดุที่รู้จัก
ศักย์ไฟฟ้าระหว่างอะตอมที่เรียนรู้โดยเครื่องจักรทำงานอย่างรวดเร็วและมีความแม่นยำใกล้เคียง DFT ของโมเลกุลสำหรับโลหะผสมและอิเล็กโทรไลต์
แบบจำลองกำเนิดเช่น MatterGen เสนอคริสตัลโดยมีเป้าหมายไปที่ช่องว่างของแถบความถี่หรือคุณสมบัติทางแม่เหล็กที่ต้องการ
ห้องปฏิบัติการที่ขับเคลื่อนด้วยตนเอง (เช่น A-Lab) ซึ่ง AI เลือกผู้สมัครและหุ่นยนต์จะสังเคราะห์และกำหนดลักษณะโดยอัตโนมัติ
ความเสี่ยงและรั้ว
การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้
ทีมอาจดำเนินการอัตโนมัติมากเกินไปและลบวิจารณญาณของมนุษย์ที่จำเป็นออก
คุณภาพอาจคลาดเคลื่อนได้หากไม่ได้รับการประเมินผลลัพธ์อย่างต่อเนื่อง
แผนงานการดำเนินงาน
แมปขั้นตอนการทำงานปัจจุบันและระบุขั้นตอนที่มีแรงเสียดทานสูงสุด
กำหนดจุดตรวจของมนุษย์ก่อนระบบอัตโนมัติเต็มรูปแบบ
ฝึกอบรมผู้ใช้เกี่ยวกับการแจ้งเตือน เส้นทางการยกระดับ และมาตรฐานคุณภาพ
ติดตามผลลัพธ์ระดับงานเพื่อยืนยันคุณค่าที่ยั่งยืน
สำรวจต่อไป
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
คำแนะนำต่อไป
การค้นพบยา Isomorphic Labs
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