AI у дослідженні матеріалів
AI передбачає, які нові матеріали можуть існувати, бути стабільними та мати корисні властивості, різко скорочуючи пошук у майже нескінченному просторі можливих сполук.
Огляд
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
Глибоке занурення
Традиційно відкриття нового матеріалу означало повільний синтез методом проб і помилок або дороге квантово-механічне моделювання. AI прискорює обидва кінці. Графічні нейронні мережі представляють кристал у вигляді атомів (вузлів) і зв’язків (країв) і навчаються прогнозувати такі властивості, як енергія утворення, заборонена зона або провідність, за мілісекунди, а не за години теорії функціоналу густини. Генеративні моделі пропонують абсолютно нові структури-кандидати, і штучний інтелект перевіряє мільйони з них, щоб позначити кілька, які варто створити в лабораторії. У 2023 році GNoME від DeepMind повідомив про сотні тисяч передбачених стабільних кристалів, а MatterGen від Microsoft продемонстрував генерування структур, залежних від бажаних властивостей. Ці моделі все частіше живлять лабораторії з безпілотним керуванням, де роботи автоматично синтезують і перевіряють кращих кандидатів.
Технічне розуміння
Моделі властивостей кристалів, як-от мережі графів, поважають симетрію фізики: вони інваріантні до переміщення, обертання або перемічення атомів, що робить прогнози фізично послідовними та ефективними для даних. Типовий конвеєр використовує швидкий нейронний сурогат для ранжування мільйонів кандидатів, потім перевіряє найкращих за допомогою теорії функціоналу щільності та, нарешті, синтезує кілька кандидатів. Ця воронка перетворює складний пошук на простий короткий список, зберігаючи сувору фізичну перевірку в кінці.
Стратегічний вплив
Створіть вибір
Розробка на рівні програми визначає, чи покращує ШІ реальні результати.
Команда та робочий процес
Хороша інтеграція робочого процесу підвищує продуктивність, якій користувачі довіряють.
Ризики та безпека
Добре розроблені варіанти використання зменшують втому від змін і ризик впровадження.
Майбутнє ШІ у відкритті матеріалів
Межа замикає цикл: генеративний дизайн, що пропонує цільові матеріали, штучний інтелект, який планує шлях синтезу, і автономні роботизовані лабораторії, які виготовляють і вимірювають їх із результатами, що повертаються в моделі. Очікуйте кращого керування можливостями синтезу, а не лише термодинамічної стабільності, а також зростання міжатомних потенціалів, що вивчаються машиною, які запускають молекулярне моделювання з точністю, близькою до квантової, але значно більшою швидкістю, відкриваючи триваліші та масштабніші експерименти.
Реалізація в реальному світі
GNoME від DeepMind прогнозує сотні тисяч нових стабільних кристалічних структур і розширює бази даних відомих матеріалів
Швидка молекулярна динаміка для сплавів і електролітів із точністю майже до DFT.
Генеративні моделі, такі як MatterGen, що пропонують кристали, орієнтовані на бажану заборонену зону або магнітні властивості
Автономні лабораторії (наприклад, A-Lab), де ШІ відбирає кандидатів, а роботи синтезують і характеризують їх автономно
Ризики та огорожі
Автоматизація несправного процесу може посилити існуючі проблеми.
Команди можуть надмірно автоматизувати роботу й усунути необхідне людське судження.
Якість може погіршуватися, якщо результати не оцінюються постійно.
Дорожня карта впровадження
Намалюйте поточний робочий процес і визначте крок із найбільшим тертям.
Визначте контрольні точки людини перед повною автоматизацією.
Навчіть користувачів підказкам, шляхам ескалації та стандартам якості.
Відстежуйте результати на рівні завдання, щоб підтвердити постійну цінність.
Продовжуйте досліджувати
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
Наступний посібник
Ізоморфна лабораторія відкриття ліків
Часті запитання
What is AI in Materials Discovery?
AI передбачає, які нові матеріали можуть існувати, бути стабільними та мати корисні властивості, різко скорочуючи пошук у майже нескінченному просторі можливих сполук. Це важливо для батарей, сонячних елементів, надпровідників і каталізаторів, де пошук потрібного матеріалу може зайняти десятиліття.
Як графова нейронна мережа зазвичай представляє кристал?
Кристали природно є графами: атоми є вузлами, а міжатомні зв’язки – ребрами, що дозволяє GNN вивчати зв’язки між структурою та властивостями.
Які повільні фізичні розрахунки часто замінюють штучні сурогати для швидкого скринінгу?
DFT є точним, але дорогим; нейронні сурогати наближають прогнози властивостей за мілісекунди, щоб перевірити багато кандидатів.
Що зробив GNoME від DeepMind у 2023 році?
GNoME передбачив велику кількість нових стабільних кристалів, суттєво розширивши бази даних матеріалів-кандидатів.
Чому обертальна та трансляційна інваріантність важливі в моделях матеріалів?
Фізичні властивості не повинні змінюватися, якщо ви повертаєте, переміщуєте або змінюєте мітки атомів; вбудовування цих симетрій покращує точність і ефективність даних.
Що таке «самокерована лабораторія» у відкритті матеріалів?
Автономні лабораторії замикають цикл: штучний інтелект пропонує матеріали, а роботизовані системи виготовляють і характеризують їх, повертаючи результати до моделей.