Введение в генеративный ИИ и синтез материалов
В последние годы генеративные модели искусственного интеллекта стали мощным инструментом для создания теоретических библиотек материалов, которые потенциально могут решать самые разнообразные задачи. Однако одно дело — создать теорию, и совсем другое — реализовать её на практике. Синтез материалов — это сложный процесс, требующий учёта множества факторов, таких как температура и продолжительность обработки, которые могут существенно влиять на свойства материала.
В этом контексте возникает вопрос: как ИИ может помочь ученым в синтезе новых материалов? Ответом на этот вопрос стала новая модель от исследователей MIT — DiffSyn, которая предлагает рецепты для синтеза новых материалов, что позволяет ускорить эксперименты и сократить путь от гипотезы до практического применения.
Зачем нужна модель DiffSyn?
Процесс синтеза материалов часто напоминает приготовление сложного блюда без рецепта. Хотя ученые могут знать, какой именно материал им нужен, путь к его созданию часто включает метод проб и ошибок, основанный на экспертных знаниях и интуиции. Это ограничивает возможность тестирования огромного количества перспективных материалов, предложенных моделями ИИ.
MIT создали модель, которая направляет ученых через процесс создания материалов, предлагая перспективные маршруты синтеза. В недавней статье было показано, что модель демонстрирует высокую точность в прогнозировании эффективных путей синтеза для класса материалов, известных как цеолиты. Следуя её рекомендациям, команда синтезировала новый цеолитный материал с улучшенной термической стабильностью.
Аналогия с выпечкой торта
Как объясняет ведущий автор Элтон Пан, процесс похож на приготовление торта. Мы знаем, какой именно торт мы хотим, но не знаем, как его испечь. Модель DiffSyn предлагает «рецепты» синтеза, которые ученые могут выбирать и адаптировать в зависимости от нужд. Это открывает новые возможности для экспериментов и ускоряет процесс открытия материалов.
Как работает DiffSyn?
Модель DiffSyn основана на подходе в ИИ, известном как диффузия. Она обучена на более чем 23 000 рецептов синтеза материалов, описанных за последние 50 лет в научных статьях. Во время обучения исследователи добавляли случайный «шум» в рецепты, и модель училась очищать данные от этого шума, находя перспективные маршруты синтеза.
Когда ученый вводит желаемую структуру материала, модель предлагает комбинации температур, времен реакции, соотношений прекурсоров и других параметров, необходимых для синтеза.
Преимущества многовариантного подхода
Ранее существующие модели машинного обучения связывали материал с единственным рецептом, что не учитывало множественность возможных путей синтеза. DiffSyn позволяет выбрать из множества вариантов, что лучше соответствует экспериментальной реальности. Это изменение парадигмы позволило достичь значительных успехов в тестах на точность.
Будущее и перспективы DiffSyn
Исследователи уверены, что подход DiffSyn можно расширить на другие материалы, такие как металлоорганические каркасы и неорганические твёрдые вещества. Хотя основным узким местом остаётся поиск качественных данных для различных классов материалов, потенциал для ускорения процесса разработки материалов огромен.
В конечном итоге, цель состоит в интеграции этих интеллектуальных систем с автономными экспериментами в реальном мире, что может значительно ускорить процесс дизайна материалов. Это открывает новые горизонты в науке о материалах и обещает революционизировать подход к созданию новых материалов.
Поддержка работы осуществлялась MIT International Science and Technology Initiatives (MISTI), Национальным научным фондом и другими организациями, что подчеркивает важность и актуальность данного исследования.
