Sztuczna inteligencja (AI) przekszta\u0142ca wiele dziedzin, a teraz odciska swoje pi\u0119tno na materia\u0142oznawstwie. Pot\u0119gi technologiczne, takie jak Google, Microsoft i Meta, z powodzeniem wykorzystuj\u0105 generatywne modele sztucznej inteligencji do projektowania wielu nowych materia\u0142\u00f3w, wykorzystuj\u0105c w tym celu ogromne zbiory danych szkoleniowych. Modele te s\u0105 niezwykle skuteczne, je\u015bli chodzi o przekszta\u0142canie podpowiedzi tekstowych w uderzaj\u0105ce obrazy. Jednak zauwa\u017calne ograniczenie pojawia si\u0119, gdy modele te maj\u0105 za zadanie tworzy\u0107 materia\u0142y posiadaj\u0105ce rzadkie w\u0142a\u015bciwo\u015bci kwantowe, takie jak nadprzewodnictwo i egzotyczne stany magnetyczne.<\/p>\n
Dostrzegaj\u0105c ten problem, naukowcy z MIT postanowili zakasa\u0107 r\u0119kawy i zaj\u0105\u0107 si\u0119 t\u0105 kwesti\u0105. Opracowali oni nowatorsk\u0105 metod\u0119, kt\u00f3ra u\u0142atwia modelom generatywnej sztucznej inteligencji przestrzeganie okre\u015blonych zasad projektowania, prowadz\u0105c je w ten spos\u00f3b do tworzenia materia\u0142\u00f3w o strukturach geometrycznych niezb\u0119dnych do zachowa\u0144 kwantowych. Pod\u0105\u017canie t\u0105 drog\u0105 wymaga\u0142o przewodnika i tak narodzi\u0142 si\u0119 SCIGEN - skr\u00f3t od Structural Constraint Integration in GENerative model.<\/p>\n
Nie spos\u00f3b nie doceni\u0107 prze\u0142omu, jakim jest SCIGEN. Mingda Li, MIT's Class of 1947 Career Development Professor, wyja\u015bnia: \"Modele opracowane przez du\u017ce firmy technologiczne s\u0105 doskona\u0142e w generowaniu stabilnych materia\u0142\u00f3w. Jednak w dziedzinie materia\u0142oznawstwa stabilno\u015b\u0107 nie zawsze jest najwa\u017cniejszym czynnikiem. Tworzenie milion\u00f3w nowych materia\u0142\u00f3w nie jest naszym g\u0142\u00f3wnym celem - szukamy tego, kt\u00f3ry naprawd\u0119 mo\u017ce wywo\u0142a\u0107 powa\u017cn\u0105 zmian\u0119\".<\/p>\n
Jak wi\u0119c zasadniczo dzia\u0142a SCIGEN? Jego skuteczno\u015b\u0107 polega na integracji ogranicze\u0144 geometrycznych z modelami generatywnymi opartymi na dyfuzji. W rezultacie sztuczna inteligencja jest w stanie wytworzy\u0107 tylko materia\u0142y o okre\u015blonych uk\u0142adach atomowych, o kt\u00f3rych wiadomo, \u017ce sprzyjaj\u0105 w\u0142a\u015bciwo\u015bciom kwantowym. Si\u0119gaj\u0105c g\u0142\u0119biej, naukowcy wzi\u0119li pod skrzyd\u0142a SCIGEN model sztucznej inteligencji o nazwie DiffCSP, co doprowadzi\u0142o do wygenerowania ponad 10 milion\u00f3w kandydat\u00f3w na materia\u0142y o strukturze sieci Archimedesa. Po przesianiu listy pod k\u0105tem stabilno\u015bci, obiecuj\u0105cy milion materia\u0142\u00f3w przetrwa\u0142 ci\u0119cie.<\/p>\n
Rzeczywiste zastosowanie tych bada\u0144 ju\u017c ujrza\u0142o \u015bwiat\u0142o dzienne. Zespo\u0142owi badawczemu uda\u0142o si\u0119 zsyntetyzowa\u0107 dwa nieznane wcze\u015bniej zwi\u0105zki we wsp\u00f3\u0142pracy z laboratoriami Michigan State University i Princeton University. Szeroko zakrojone testy potwierdzi\u0142y zgodno\u015b\u0107 mi\u0119dzy w\u0142a\u015bciwo\u015bciami materia\u0142u przewidywanymi przez sztuczn\u0105 inteligencj\u0119 a tymi obserwowanymi w rzeczywisto\u015bci, udowadniaj\u0105c skuteczne podej\u015bcie SCIGEN do generowania materia\u0142\u00f3w.<\/p>\n
SCIGEN mo\u017ce by\u0107 talizmanem umo\u017cliwiaj\u0105cym przyspieszenie poszukiwa\u0144 stabilnych i odpornych na b\u0142\u0119dy kubit\u00f3w w obwodach przysz\u0142ych kwantowych technologii obliczeniowych. Pomimo ogromnego potencja\u0142u SCIGEN, naukowcy podkre\u015blaj\u0105 konieczno\u015b\u0107 jego eksperymentalnej weryfikacji.<\/p>\n
Chocia\u017c mo\u017cemy patrze\u0107 w przysz\u0142o\u015b\u0107 w kierunku \u015bwiata, w kt\u00f3rym materia\u0142y lepiej dostosowane do naszych potrzeb mog\u0105 by\u0107 generowane w szybkim tempie, zr\u00f3wnowa\u017cony rozw\u00f3j musi pozosta\u0107 nasz\u0105 kotwic\u0105. W miar\u0119 post\u0119pu bada\u0144, przysz\u0142e wersje SCIGEN mog\u0105 zawiera\u0107 ograniczenia oparte na sk\u0142adzie chemicznym lub w\u0142a\u015bciwo\u015bciach funkcjonalnych. Jak zauwa\u017ca Okabe, kluczowa posta\u0107 w zespole badawczym: \"Dzi\u0119ki SCIGEN mo\u017cemy generowa\u0107 mniej stabilnych materia\u0142\u00f3w, ale znacznie zwi\u0119kszamy nasze szanse na odkrycie czego\u015b naprawd\u0119 rewolucyjnego\".<\/p>\n
Wsparcie dla tego projektu pochodzi z r\u00f3\u017cnych \u017ar\u00f3de\u0142, w tym z Departamentu Energii Stan\u00f3w Zjednoczonych, National Science Foundation, Oak Ridge National Laboratory i National Energy Research Scientific Computing Center. Wi\u0119cej szczeg\u00f3\u0142\u00f3w mo\u017cna znale\u017a\u0107 w oryginalnym artykule na MIT News: https:\/\/news.mit.edu\/2025\/new-tool-makes-generative-ai-models-likely-create-breakthrough-materials-0922<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" Artificial Intelligence (AI) has been reshaping numerous fields, and now it’s leaving its mark on materials science. Tech heavyweights such as Google, Microsoft, and Meta have been successfully using generative AI models to design a multitude of new materials, employing vast training datasets to do so. These models are incredibly effective when it comes to transforming text prompts into striking images. Yet, a noticeable limitation emerges when these models are tasked with creating materials possessing rare quantum properties like superconductivity and exotic magnetic states. Recognizing this problem, researchers at MIT decided to roll up their sleeves and tackle the issue […]<\/p>\n","protected":false},"author":4,"featured_media":7181,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2,47],"tags":[],"class_list":["post-7180","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-images","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/7180","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=7180"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/7180\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/7181"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=7180"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=7180"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=7180"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}