Tiếp theoHướng dẫn tiếp theo
AI cho tài liệu giáo dục bệnh nhân
Ứng dụng
HƯỚNG DẪN ứng dụng
AI trong khám phá vật liệu
AI dự đoán những vật liệu mới nào có thể tồn tại, ổn định và có các đặc tính hữu ích, thu hẹp đáng kể việc tìm kiếm trong không gian gần như vô tận các hợp chất có thể có.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
Lặn sâu
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.
Triển khai trong thế giới thực
GNoME của DeepMind dự đoán hàng trăm nghìn cấu trúc tinh thể ổn định mới và mở rộng cơ sở dữ liệu vật liệu đã biết
Thế năng tương tác nguyên tử được máy học chạy nhanh, động lực phân tử gần chính xác DFT cho hợp kim và chất điện phân
Các mô hình sáng tạo như MatterGen đề xuất các tinh thể nhắm mục tiêu đến khoảng cách dải tần hoặc đặc tính từ tính mong muốn
Phòng thí nghiệm tự lái (ví dụ: A-Lab) nơi AI chọn ứng viên và robot tổng hợp và mô tả đặc điểm của họ một cách tự động
Tương lai của AI trong khám phá vật liệu
Biên giới đang khép lại vòng lặp: thiết kế tổng quát đề xuất các vật liệu được nhắm mục tiêu, AI lên kế hoạch cho lộ trình tổng hợp và các phòng thí nghiệm robot tự động tạo ra và đo lường chúng với kết quả được phản hồi lại cho các mô hình. Mong đợi khả năng xử lý tổng hợp tốt hơn, không chỉ độ ổn định nhiệt động lực học, cộng với sự tăng trưởng về tiềm năng tương tác do máy học, chạy mô phỏng phân tử ở độ chính xác gần như lượng tử nhưng tốc độ lớn hơn rất nhiều, mở khóa các thí nghiệm dài hơn và lớn hơn.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Xây dựng lựa chọn. Thiết kế cấp ứng dụng xác định liệu AI có cải thiện kết quả thực tế hay không.
- Nhóm và quy trình làm việc. Tích hợp quy trình làm việc tốt sẽ giúp tăng năng suất mà người dùng có thể tin tưởng.
- Rủi ro và an toàn. Các trường hợp sử dụng có phạm vi phù hợp giúp giảm bớt sự mệt mỏi khi thay đổi và rủi ro triển khai.
coi chừng
- Tự động hóa một quy trình bị hỏng có thể khuếch đại các vấn đề hiện có.
- Các nhóm có thể tự động hóa quá mức và loại bỏ sự phán xét cần thiết của con người.
- Chất lượng có thể thay đổi nếu kết quả đầu ra không được đánh giá liên tục.
Các bước tiếp theo
- Lập sơ đồ quy trình làm việc hiện tại và xác định bước có mức độ ma sát cao nhất.
- Xác định các điểm kiểm tra của con người trước khi tự động hóa hoàn toàn.
- Đào tạo người dùng về lời nhắc, đường dẫn leo thang và tiêu chuẩn chất lượng.
- Theo dõi kết quả ở cấp độ nhiệm vụ để xác nhận giá trị bền vững.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the AI in Materials Discovery quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is AI in Materials Discovery?
AI dự đoán những vật liệu mới nào có thể tồn tại, ổn định và có các đặc tính hữu ích, thu hẹp đáng kể việc tìm kiếm trong không gian gần như vô tận các hợp chất có thể có. Điều quan trọng đối với pin, pin mặt trời, chất siêu dẫn và chất xúc tác là việc tìm ra vật liệu phù hợp có thể mất hàng thập kỷ.
Mạng lưới thần kinh đồ thị thường biểu diễn một tinh thể như thế nào?
Các tinh thể là các đồ thị tự nhiên: nguyên tử là các nút và liên kết tương tác giữa các nguyên tử là các cạnh, cho phép GNN tìm hiểu các mối quan hệ cấu trúc-thuộc tính.
Những phép tính vật lý chậm nào mà người đại diện AI thường thay thế để sàng lọc nhanh?
DFT chính xác nhưng đắt tiền; các đại diện thần kinh ước chừng các dự đoán thuộc tính của nó tính bằng mili giây để sàng lọc nhiều ứng cử viên.
GNoME của DeepMind đã đóng góp gì vào năm 2023?
GNoME dự đoán một số lượng lớn các tinh thể ổn định mới, mở rộng đáng kể cơ sở dữ liệu về các vật liệu ứng cử viên.
Tại sao tính bất biến quay và tịnh tiến lại quan trọng trong các mô hình vật liệu?
Các tính chất vật lý sẽ không thay đổi nếu bạn xoay, di chuyển hoặc dán nhãn lại cho các nguyên tử; việc xây dựng các đối xứng này sẽ cải thiện độ chính xác và hiệu quả của dữ liệu.
'Phòng thí nghiệm tự lái' trong khám phá vật liệu là gì?
Các phòng thí nghiệm tự động khép lại vòng lặp: AI đề xuất các vật liệu và hệ thống robot tạo ra và mô tả đặc tính của chúng, cung cấp kết quả cho mô hình.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này