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.
Tổng quan
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
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 ít cấu trúc ứng cử viên đáng làm 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.
Tác động chiến lược
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.
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.
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
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.
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
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
Hướng dẫn tiếp theo
Khám phá thuốc của phòng thí nghiệm đẳng hình
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.