|
ИИ управляет всеми этапами исследований материалов
|
|
|
|
Наступила эра, когда искусственный интеллект (ИИ) самостоятельно представляет и предсказывает структуру и свойства новых материалов. Сегодня искусственный интеллект функционирует как "второй мозг" исследователя, активно участвуя на каждом этапе исследования, от генерации идеи до экспериментальной проверки.
|
|
|
|
В обзорной статье, опубликованной в ACS Nano, анализируется влияние технологий искусственного интеллекта, машинного обучения (ML) и глубокого обучения (DL) на материаловедение и инженерию. Статья была написана в соавторстве профессором Сынбамом Хонгом и его командой из департамента материаловедения и инженерии KAIST в сотрудничестве с исследователями из Университета Дрекселя, Северо-Западного университета, Университета Сент-Эндрюса и Университета Теннесси в Соединенных Штатах.
|
|
|
|
Исследовательская группа предложила стратегию полного цикла использования инновационных материалов с помощью платформы поиска катализаторов на основе искусственного интеллекта, которая воплощает концепцию автономной лаборатории - системы, в которой роботы автономно проводят эксперименты по синтезу и оптимизации материалов.
|
|
|
|
|
|
|
Команда профессора Хонга разделила исследование материалов на три основных этапа — открытие, разработка и оптимизация — и подробно описала особую роль искусственного интеллекта на каждом этапе:
|
|
|
|
На этапе разработки ИИ проектирует новые структуры, прогнозирует свойства и быстро определяет наиболее перспективные материалы среди огромного количества потенциальных кандидатов.
|
|
|
|
На этапе разработки ИИ анализирует экспериментальные данные и автономно корректирует экспериментальные процессы с помощью автономных лабораторных систем, что значительно сокращает сроки исследований.
|
|
|
|
На этапе оптимизации ИИ использует обучение с подкреплением, которое определяет оптимальные условия с помощью байесовской оптимизации, позволяющей эффективно получать превосходные результаты при минимальных экспериментах, для точной настройки конструкций и условий обработки для достижения максимальной производительности.
|
|
|
|
По сути, искусственный интеллект служит "умным помощником", который сужает круг наиболее перспективных материалов, сокращает количество проб и ошибок в экспериментах и автономно оптимизирует условия эксперимента для достижения наилучших результатов.
|
|
|
|
В статье также рассказывается о том, как передовые технологии, такие как генеративный ИИ, графические нейронные сети (GNN) и трансформаторные модели, превращают ИИ из вычислительного инструмента в "мыслящего исследователя". Тем не менее, команда предупреждает, что прогнозы ИИ не гарантированы от ошибок и что сохраняются ключевые проблемы, такие как несбалансированное качество данных, ограниченная интерпретируемость прогнозов искусственного интеллекта и интеграция разнородных наборов данных.
|
|
|
|
Чтобы устранить эти ограничения, авторы подчеркивают важность разработки систем искусственного интеллекта, способных автономно понимать физические принципы и обеспечивать прозрачные, поддающиеся проверке процессы принятия решений для исследователей.
|
|
|
|
В обзоре также рассматривается концепция самоуправляемой лаборатории, где искусственный интеллект автономно разрабатывает планы экспериментов, анализирует результаты и определяет следующие этапы эксперимента - без ручного управления исследователями. Платформа для поиска катализаторов на основе искусственного интеллекта является примером этой концепции, позволяя роботам автоматически проектировать, выполнять и оптимизировать эксперименты по синтезу катализаторов.
|
|
|
|
В частности, в исследовании представлены примеры, когда эксперименты с использованием искусственного интеллекта значительно ускорили разработку катализаторов, что позволяет предположить, что подобные подходы могут революционизировать исследования в области аккумуляторов и энергетических материалов.
|
|
|
|
"Этот обзор демонстрирует, что искусственный интеллект становится новым языком материаловедения и инженерии, выходя за рамки своей роли простого инструмента", - сказал профессор Сынбум Хонг. "Дорожная карта, представленная командой KAIST, послужит ценным руководством для исследователей в ключевых отраслях национальной промышленности Кореи, включая аккумуляторы, полупроводники и энергетические материалы".
|
|
|
|
Источник
|
