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 wszystkie wynikają z materiałów generowanych przez sztuczną inteligencję. Jest jednak pewna przeszkoda w tej narracji - wciąż próbujemy dowiedzieć się, jak faktycznie stworzyć te materiały.
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.
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.
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.
Ta strona używa plików cookie.