Sztuczna inteligencja (AI) zmienia oblicze wielu dziedzin, a obecnie wywiera wpływ również na naukę o materiałach. Giganci technologiczni, tacy jak Google, Microsoft i Meta, z powodzeniem wykorzystują generatywne modele AI do projektowania szerokiej gamy nowych materiałów, korzystając w tym celu z ogromnych zbiorów danych szkoleniowych. Modele te są niezwykle skuteczne, jeśli chodzi o przekształcanie tekstowych poleceń w efektowne obrazy. Jednak gdy modele te mają za zadanie tworzyć materiały o rzadkich właściwościach kwantowych, takich jak nadprzewodnictwo i egzotyczne stany magnetyczne, ujawnia się wyraźne ograniczenie.
Zdając sobie sprawę z tego problemu, naukowcy z MIT postanowili zakasać rękawy i zmierzyć się z nim bezpośrednio. Opracowali nowatorską metodę, która ułatwia generatywnym modelom sztucznej inteligencji przestrzeganie określonych zasad projektowania, prowadząc je w ten sposób na ścieżkę tworzenia materiałów o strukturach geometrycznych niezbędnych do zachowań kwantowych. Podążanie tą drogą wymagało przewodnika, dlatego powstał SCIGEN — skrót od Structural Constraint Integration in GENerative model (integracja ograniczeń strukturalnych w modelu generatywnym).
Nie można nie doceniać przełomowego charakteru projektu SCIGEN. Mingda Li, profesor ds. rozwoju kariery z rocznika 1947 na MIT, wyjaśnia: “Modele opracowane przez wielkie firmy technologiczne doskonale sprawdzają się w tworzeniu stabilnych materiałów. Jednak w dziedzinie materiałoznawstwa stabilność nie zawsze jest najważniejszym czynnikiem. Tworzenie milionów nowych materiałów nie jest naszym głównym celem – poszukujemy tego jednego, który naprawdę może wywołać znaczącą zmianę”.”
Jak więc zasadniczo działa SCIGEN? Jego skuteczność polega na włączeniu ograniczeń geometrycznych do modeli generatywnych opartych na dyfuzji. Dzięki temu sztuczna inteligencja generuje wyłącznie materiały o określonych układach atomowych, o których wiadomo, że sprzyjają właściwościom kwantowym. Idąc o krok dalej, naukowcy wykorzystali model sztucznej inteligencji o nazwie DiffCSP w ramach projektu SCIGEN, co doprowadziło do wygenerowania ponad 10 milionów potencjalnych materiałów o strukturach sieci archimedesowskich. Po przefiltrowaniu listy pod kątem stabilności, w selekcji przetrwało milion obiecujących materiałów.
Praktyczne zastosowanie wyników tych badań już ujrzało światło dzienne. Zespołowi badawczemu udało się zsyntetyzować dwa nieznane dotąd związki we współpracy z laboratoriami Uniwersytetu Stanowego w Michigan oraz Uniwersytetu w Princeton. Obszerne testy potwierdziły zgodność właściwości materiałów przewidzianych przez sztuczną inteligencję z tymi zaobserwowanymi w rzeczywistości, co dowodzi skuteczności podejścia firmy SCIGEN do generowania materiałów.
Realizując dążenie do uzyskania stabilnych i odpornych na błędy kubitów w układach przyszłych technologii obliczeń kwantowych, SCIGEN może stać się kluczem do przyspieszenia tych poszukiwań. Pomimo ogromnego potencjału SCIGEN naukowcy podkreślają konieczność przeprowadzenia eksperymentalnej weryfikacji.
Chociaż możemy patrzeć w przyszłość w kierunku świata, w którym materiały lepiej dostosowane do naszych potrzeb mogą być generowane w szybkim tempie, zrównoważony rozwój musi pozostać naszą kotwicą. W miarę postępu badań, przyszłe wersje SCIGEN mogą zawierać ograniczenia oparte na składzie chemicznym lub właściwościach funkcjonalnych. Jak zauważa Okabe, kluczowa postać w zespole badawczym: "Dzięki SCIGEN możemy generować mniej stabilnych materiałów, ale znacznie zwiększamy nasze szanse na odkrycie czegoś naprawdę rewolucyjnego".
Wsparcie dla tego projektu pochodzi z różnych źródeł, w tym z Departamentu Energii Stanów Zjednoczonych, National Science Foundation, Oak Ridge National Laboratory i National Energy Research Scientific Computing Center. Więcej szczegółów można znaleźć w oryginalnym artykule na MIT News: https://news.mit.edu/2025/new-tool-makes-generative-ai-models-likely-create-breakthrough-materials-0922.
Ta strona używa plików cookie.