Artificial intelligence is already synonymous with possibility and transformation, particularly in the realm of theoretical materials design. With its incalculable promise, AI has spurred innovative developments aimed at combating an array of global challenges. These enhancements range from leaps in energy efficiency to advancements in next-generation electronics, all resulting from AI-generated materials. However, there’s a snag in this narrative – we’re still trying to figure out how to actually create these materials.
Forging new materials isn’t as easy as following a tried-and-true recipe. Rather, it’s a complex feat intricately tied to a gamut of variables like temperature, pressure, and precise chemical ratios. Even slight shifts in these parameters can drastically change a material’s properties, making it worthless. This complexity has been a major hold-up in advancing material discovery, particularly when we’re talking about validating millions of compounds proposed by AI models.
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.
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.
This approach was validated with the successful synthesis of a new zeolite, often difficult due to its long crystallization time. However, DiffSyn’s recommendations resulted in a zeolite that was significantly compatible with catalytic applications. A leap from a one-to-one mapping to a one-to-many mapping of structure and synthesis gave DiffSyn an edge over previous models, accounting for the multiple ways a single material can be produced.
Looking ahead, while zeolites were the focus of the current study, the researchers are optimistic that the DiffSyn approach can be applied to other material categories including metal-organic frameworks and inorganic solids. That said, the struggle to gather high-quality data for these new types of materials forms the next challenge. If they can effectively handle zeolites, as they’ve proven, then there’s much to look forward to. The long-term vision: integrating such AI into automated lab systems capable of real-time feedback to further accelerate material exploration.
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.
This website uses cookies.