Jak generatywna sztuczna inteligencja rewolucjonizuje syntezę złożonych materiałów

Sztuczna inteligencja jest już synonimem możliwości i transformacji, szczególnie w dziedzinie teoretycznego projektowania materiałów. Dzięki swojej nieobliczalnej obietnicy sztuczna inteligencja pobudziła innowacyjne rozwiązania mające na celu zwalczanie szeregu globalnych wyzwań. Ulepszenia te obejmują zarówno skoki w efektywności energetycznej, jak i postępy w elektronice nowej generacji, a wszystko to dzięki materiałom generowanym przez sztuczną inteligencję. Jest jednak pewna przeszkoda w tej narracji - wciąż próbujemy dowiedzieć się, jak faktycznie stworzyć te materiały.

Dekodowanie złożoności tworzenia materiałów

Tworzenie nowych materiałów nie jest tak proste, jak przestrzeganie sprawdzonej receptury. Jest to raczej skomplikowany wyczyn, misternie powiązany z gamą zmiennych, takich jak temperatura, ciśnienie i precyzyjne proporcje chemiczne. Nawet niewielkie zmiany tych parametrów mogą drastycznie zmienić właściwości materiału, czyniąc go bezwartościowym. Ta złożoność była główną przeszkodą w postępie w odkrywaniu materiałów, szczególnie gdy mówimy o walidacji milionów związków zaproponowanych przez modele AI.

Przekształcanie obietnic w praktyczne rozwiązania

Dobrą wiadomością jest to, że naukowcy z MIT poczynili znaczne postępy, opracowując model sztucznej inteligencji, który nie tylko generuje ekscytujące propozycje materiałów, ale także pomaga w ich tworzeniu. Model ten, DiffSyn, wykorzystuje technikę zwaną modelowaniem dyfuzji do przewidywania potencjalnych ścieżek syntezy tych złożonych materiałów. Model ten przyniósł obiecujące wyniki, gdy został przetestowany na zeolitach - typie materiału o zastosowaniach w katalizie, absorpcji gazów i wymianie jonowej. To praktyczne zastosowanie jest znaczącym krokiem w kierunku pokonania jednej z największych barier w nauce o materiałach - wypełnienia luki między materiałami teoretycznymi a namacalnymi, rzeczywistymi innowacjami.

Więcej niż teorie: Zastosowanie w świecie rzeczywistym

Naukowcy poszli o krok dalej, z powodzeniem tworząc nowy zeolit przy użyciu przepisu sugerowanego przez model. Zeolit ten wykazał lepszą stabilność termiczną - przełom z potencjałem dla głównych zastosowań przemysłowych. Na przykład, dzięki generatywnej sztucznej inteligencji, firmy takie jak Google i Meta zainwestowały w tworzenie kolosalnych baz danych wypełnionych hipotetycznymi materiałami. Najtrudniejszą częścią jest jednak przekształcenie tych cyfrowych schematów w rzeczywiste substancje - proces wymagający nawigacji w złożonej, wielowymiarowej przestrzeni syntezy. W tym miejscu do gry wkracza DiffSyn, zapewniając rozwiązanie oparte na dyfuzji.

W porównaniu do systemów AI, takich jak ChatGPT i DALL-E, które generują obrazy, DiffSyn generuje receptury syntezy dla pożądanych materiałów. Oferuje możliwe scenariusze z temperaturami reakcji, czasem trwania i proporcjami prekursorów, zapewniając solidną podstawę do praktycznych eksperymentów laboratoryjnych i znacznie zmniejszając liczbę prób i błędów.

Podejście to zostało potwierdzone udaną syntezą nowego zeolitu, często trudną ze względu na długi czas krystalizacji. Jednak zalecenia DiffSyn zaowocowały zeolitem, który był w znacznym stopniu kompatybilny z zastosowaniami katalitycznymi. Przejście od mapowania jeden-do-jednego do mapowania jeden-do-wielu struktury i syntezy dało DiffSyn przewagę nad poprzednimi modelami, uwzględniając wiele sposobów produkcji pojedynczego materiału.

Patrząc w przyszłość, podczas gdy zeolity były przedmiotem obecnego badania, naukowcy są optymistami, że podejście DiffSyn można zastosować do innych kategorii materiałów, w tym struktur metaloorganicznych i nieorganicznych ciał stałych. Niemniej jednak, walka o zebranie wysokiej jakości danych dla tych nowych rodzajów materiałów stanowi kolejne wyzwanie. Jeśli uda im się skutecznie poradzić sobie z zeolitami, co już udowodnili, to jest na co czekać. Wizja długoterminowa: integracja takiej sztucznej inteligencji ze zautomatyzowanymi systemami laboratoryjnymi zdolnymi do przekazywania informacji zwrotnych w czasie rzeczywistym w celu dalszego przyspieszenia eksploracji materiałów.

Te innowacyjne badania były wspierane przez kilka głównych organizacji, w tym MIT International Science and Technology Initiatives (MISTI), National Science Foundation, Office of Naval Research i ExxonMobil. Aby zagłębić się w ich badania, można znaleźć oryginalne wiadomości na stronie MIT News.