Malzeme Keşfinde Yapay Zeka
Yapay zeka, hangi yeni malzemelerin var olabileceğini, kararlı olabileceğini ve kullanışlı özelliklere sahip olabileceğini tahmin ederek, neredeyse sonsuz olası bileşikler uzayındaki aramayı önemli ölçüde daraltıyor.
Genel Bakış
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
Derin Dalış
Geleneksel olarak yeni bir malzeme keşfetmek, yavaş deneme-yanılma sentezi veya pahalı kuantum mekaniği simülasyonları anlamına geliyordu. Yapay zeka her iki ucu da hızlandırır. Grafik sinir ağları, bir kristali atomlar (düğümler) ve bağlar (kenarlar) olarak temsil eder ve saatlerce süren yoğunluk fonksiyonel teorisi yerine, oluşum enerjisi, bant aralığı veya iletkenlik gibi özellikleri milisaniyeler içinde tahmin etmeyi öğrenir. Üretken modeller tamamen yeni aday yapılar önerir ve yapay zeka, laboratuvarda yapılmaya değer birkaç tanesini işaretlemek için bunların milyonlarcasını tarar. 2023'te DeepMind'ın GNoME'si yüzbinlerce tahmini kararlı kristal bildirdi ve Microsoft'nin MatterGen'i istenen özelliklere göre koşullandırılmış yapılar ürettiğini gösterdi. Bu modeller, robotların en iyi adayları otomatik olarak sentezlediği ve test ettiği otonom laboratuvarları giderek daha fazla besliyor.
Teknik Bilgi
Grafik ağları gibi kristal özellik modelleri, fiziğin simetrilerine saygı duyar: atomların çevrilmesine, döndürülmesine veya yeniden etiketlenmesine karşı değişmezler, bu da tahminleri fiziksel olarak tutarlı ve veri açısından verimli kılar. Tipik bir boru hattı, milyonlarca adayı sıralamak için hızlı bir sinir taşıyıcısı kullanır, ardından en iyisini yoğunluk fonksiyonel teorisiyle doğrular ve son olarak bir avuç adayı sentezler. Bu huni, zorlu bir aramayı takip edilebilir bir kısa listeye dönüştürürken, sonunda sıkı fizik kontrollerini tutar.
Stratejik Etki
Build choices
Uygulama düzeyinde tasarım, yapay zekanın gerçek sonuçları iyileştirip iyileştirmediğini belirler.
Ekip ve iş akışı
İyi iş akışı entegrasyonu, kullanıcıların güvenebileceği üretkenlik kazanımları sağlar.
Risk and safety
İyi kapsamlı kullanım örnekleri, değişiklik yorgunluğunu ve uygulama riskini azaltır.
Malzeme Keşfinde Yapay Zekanın Geleceği
Sınır döngüyü kapatıyor: hedeflenen malzemeleri öneren üretken tasarım, sentez rotasını planlayan yapay zeka ve bunları yapan ve modellere geri bildirimde bulunan sonuçlarla ölçen otonom robotik laboratuvarlar. Sentezlenebilirliğin daha iyi ele alınmasını, yalnızca termodinamik stabiliteyi değil, ayrıca moleküler simülasyonları kuantuma yakın doğrulukta ancak çok daha yüksek hızda çalıştıran, daha uzun ve daha büyük deneylerin kilidini açan makine tarafından öğrenilen atomlar arası potansiyellerdeki büyümeyi bekleyin.
Gerçek Dünya Uygulaması
DeepMind'ın GNoME'si yüz binlerce yeni kararlı kristal yapıyı tahmin ediyor ve bilinen malzeme veritabanlarını genişletiyor
Alaşımlar ve elektrolitler için hızlı çalışan, DFT'ye yakın doğrulukta moleküler dinamikleri çalıştıran, makine tarafından öğrenilen atomlar arası potansiyeller
MatterGen gibi, istenen bant aralığını veya manyetik özelliği hedefleyen kristaller öneren üretken modeller
Yapay zekanın adayları seçtiği ve robotların bunları otonom bir şekilde sentezleyip karakterize ettiği kendi kendini yöneten laboratuvarlar (örneğin A-Lab)
Riskler ve Korkuluklar
Bozuk bir süreci otomatikleştirmek mevcut sorunları büyütebilir.
Ekipler aşırı otomatikleşebilir ve gerekli insan muhakemesini ortadan kaldırabilir.
Çıktılar sürekli olarak değerlendirilmezse kalite düşebilir.
Uygulama Yol Haritası
Mevcut iş akışının haritasını çıkarın ve en yüksek sürtünmeli adımı belirleyin.
Tam otomasyondan önce insan kontrol noktalarını tanımlayın.
Kullanıcıları istemler, yükseltme yolları ve kalite standartları konusunda eğitin.
Sürdürülebilir değeri doğrulamak için görev düzeyindeki sonuçları izleyin.
Keşfetmeye Devam Edin
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
Next guide
İzomorfik Laboratuvarlarda İlaç Keşfi
Sık sorulan sorular
What is AI in Materials Discovery?
Yapay zeka, hangi yeni malzemelerin var olabileceğini, kararlı olabileceğini ve kullanışlı özelliklere sahip olabileceğini tahmin ederek, neredeyse sonsuz olası bileşikler uzayındaki aramayı önemli ölçüde daraltıyor. Doğru malzemeyi bulmanın onlarca yıl sürebildiği piller, güneş pilleri, süper iletkenler ve katalizörler için bu önemlidir.
Bir grafik sinir ağı tipik olarak bir kristali nasıl temsil eder?
Kristaller doğal olarak grafiklerdir: atomlar düğümlerdir ve atomlar arası bağlar kenarlardır, bu da GNN'lerin yapı-özellik ilişkilerini öğrenmesine olanak tanır.
AI vekilleri hızlı tarama için sıklıkla hangi yavaş fizik hesaplamasının yerini alıyor?
DFT doğrudur ancak pahalıdır; sinirsel taşıyıcılar, birçok adayı taramak için özellik tahminlerini milisaniyeler içinde tahmin eder.
DeepMind'ın GNoME'u 2023'te ne gibi katkılarda bulundu?
GNoME, aday malzemelerin veritabanlarını önemli ölçüde genişleterek çok sayıda yeni kararlı kristal öngördü.
Malzeme modellerinde dönme ve öteleme değişmezliği neden önemlidir?
Atomları döndürürseniz, hareket ettirirseniz veya yeniden etiketlerseniz fiziksel özellikler değişmemelidir; bu simetrilerin oluşturulması doğruluğu ve veri verimliliğini artırır.
Malzeme keşfinde 'kendi kendini çalıştıran laboratuvar' nedir?
Otonom laboratuvarlar döngüyü tamamlıyor: Yapay zeka, malzemeleri ve robotik sistemlerin bunları oluşturup karakterize etmesini ve sonuçları modellere geri göndermesini öneriyor.