Tổng quan
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.
AI trong Khám phá Vật liệu tập trung vào triển khai thực tế: biến khả năng của mô hình thành quy trình công việc hàng ngày đáng tin cậy mang lại giá trị có thể đo lường được.
Lặn sâu
Theo truyền thống, việc khám phá ra một loại vật liệu mới có nghĩa là quá trình tổng hợp thử và sai diễn ra chậm hoặc các mô phỏng cơ lượng tử đắt tiền. AI tăng tốc cả hai đầu. Mạng nơ-ron đồ thị biểu diễn một tinh thể dưới dạng các nguyên tử (nút) và liên kết (cạnh) và học cách dự đoán các đặc tính như năng lượng hình thành, khoảng cách dải hoặc độ dẫn điện tính bằng mili giây thay vì hàng giờ theo lý thuyết hàm mật độ. Các mô hình sáng tạo đề xuất các cấu trúc ứng cử viên hoàn toàn mới và AI sàng lọc hàng triệu cấu trúc trong số đó để đánh dấu một số cấu trúc ứng cử viên đáng giá trong phòng thí nghiệm. Vào năm 2023, GNoME của DeepMind đã báo cáo hàng trăm nghìn tinh thể ổn định được dự đoán và MatterGen của Microsoft đã chứng minh việc tạo ra các cấu trúc dựa trên các đặc tính mong muốn. Những mô hình này ngày càng được cung cấp nhiều hơn cho các phòng thí nghiệm tự lái, nơi robot tổng hợp và kiểm tra các ứng viên hàng đầu một cách tự động.
Hiểu biết kỹ thuật
Các mô hình thuộc tính tinh thể như mạng đồ thị tôn trọng tính đối xứng của vật lý: chúng bất biến đối với việc dịch chuyển, quay hoặc dán nhãn lại các nguyên tử, giúp cho các dự đoán nhất quán về mặt vật lý và hiệu quả về mặt dữ liệu. Một quy trình điển hình sử dụng một đại diện thần kinh nhanh để xếp hạng hàng triệu ứng cử viên, sau đó xác nhận điều tốt nhất bằng lý thuyết hàm mật độ và cuối cùng tổng hợp một số ít. Phễu này biến một tìm kiếm khó thực hiện thành một danh sách rút gọn dễ thực hiện trong khi vẫn duy trì các kiểm tra vật lý nghiêm ngặt ở cuối.
Làm chủ 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. 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. AI trong Khám phá Vật liệu tập trung vào triển khai thực tế: biến khả năng của mô hình thành quy trình công việc hàng ngày đáng tin cậy mang lại giá trị có thể đo lường được. Để xây dựng sự hiểu biết sâu sắc, hãy coi AI trong Khám phá Vật liệu như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng AI trong Khám phá Vật liệu tập trung vào kết quả của quy trình làm việc chứ không phải các bản trình diễn mô hình và xác định sớm các điểm kiểm tra của con người. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Thiết kế cấp ứng dụng xác định liệu AI có cải thiện kết quả thực tế hay không. Đồng thời, Tự động hóa một quy trình bị hỏng có thể khuếch đại các vấn đề hiện có. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Thiết kế cấp ứng dụng xác định liệu AI có cải thiện kết quả thực tế hay không.
Thiết kế cấp ứng dụng xác định liệu AI có cải thiện kết quả thực tế hay không. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Tích hợp quy trình làm việc tốt sẽ giúp tăng năng suất mà người dùng có thể tin tưởng.
Tích hợp quy trình làm việc tốt sẽ giúp tăng năng suất mà người dùng có thể tin tưởng. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các trường hợp sử dụng có phạm vi phù hợp giúp giảm bớt sự mệt mỏi khi thay đổi và rủi ro triển khai.
Các trường hợp sử dụng có phạm vi phù hợp giúp giảm bớt sự mệt mỏi khi thay đổi và rủi ro triển khai. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
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
Các mẫu triển khai
AI trong khám phá vật liệu trong thực tế
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.
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. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
AI trong khám phá vật liệu trong thực tế
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.
Tiềm năng tương tác do máy học chạy nhanh, động lực phân tử gần chính xác DFT cho hợp kim và chất điện phân Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
AI trong khám phá vật liệu trong thực tế
Các mô hình sáng tạo như MatterGen đề xuất các tinh thể nhắm mục tiêu đến khoảng cách vùng cấm hoặc đặc tính từ tính mong muốn.
Các mô hình sáng tạo như MatterGen đề xuất các tinh thể nhắm mục tiêu đến khoảng cách băng tần hoặc đặc tính từ tính mong muốn. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
AI trong khám phá vật liệu trong thực tế
Các phòng thí nghiệm tự lái (ví dụ: A-Lab) nơi AI chọn lọc ứng viên và robot tổng hợp và mô tả đặc điểm của họ một cách tự động.
Các phòng thí nghiệm tự lái (ví dụ: A-Lab) nơi AI chọn các ứng viên và robot tổng hợp và mô tả chúng một cách tự động. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
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.
Lộ trình thực hiện
Lập sơ đồ quy trình làm việc hiện tại và xác định bước có mức độ ma sát cao nhất.
Lập sơ đồ quy trình làm việc hiện tại và xác định bước có mức độ ma sát cao nhất. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Xác định các điểm kiểm tra của con người trước khi tự động hóa hoàn toàn.
Xác định các điểm kiểm tra của con người trước khi tự động hóa hoàn toàn. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Đào tạo người dùng về lời nhắc, đường dẫn leo thang và tiêu chuẩn chất lượng.
Đào tạo người dùng về lời nhắc, đường dẫn leo thang và tiêu chuẩn chất lượng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi kết quả ở cấp độ nhiệm vụ để xác nhận giá trị bền vững.
Theo dõi kết quả ở cấp độ nhiệm vụ để xác nhận giá trị bền vững. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.