ШІ для матеріалознавства допомагає вибирати кандидати для лабораторного синтезу
Пошук нових матеріалів традиційно вимагав синтезувати багато сполук і вимірювати їхні властивості по черзі. Штучний інтелект може допомагати обирати перспективні кандидати до початку дорогого експерименту. Модель навчається на відомих кристалічних структурах і лабораторних результатах, а потім оцінює, які склади можуть мати потрібну властивість.
Це не означає, що програма «відкриває матеріал» одним натисканням. Алгоритм прогнозує, а фізичний зразок ще потрібно синтезувати й перевірити. Між компʼютерним розрахунком і реальною речовиною існує багато інженерних барʼєрів.
Чому прогнозована стабільність — лише початок
Сполука може виглядати енергетично стабільною за теоретичним розрахунком, але її виготовлення потребуватиме недоступної температури або особливого тиску. Інколи під час синтезу утворюються зовсім інші фази, а дефекти змінюють властивості готового зразка.
Тому корисні алгоритми поєднують оцінку властивостей із інформацією про синтез, токсичність, доступність елементів і відтворюваність процесу. Для промислових застосувань це важливо не менше, ніж найкращий теоретичний результат.
Самокеровані лабораторії замикають цикл перевірки
Перспективна архітектура обʼєднує модель, роботизований синтез і вимірювання. Після кожного експерименту система оновлює прогноз і обирає наступний кандидат, поступово зменшуючи невизначеність.
Такі системи можуть скорочувати витрати реагентів і часу, але потребують строгого контролю якості даних. Помилка вимірювання здатна навчити модель неправильного закономірного звʼязку. Найбільша цінність ШІ тут у раціональнішій організації наукового пошуку, а не в заміні фізичного експерименту.
Для оцінки результату важливо порівнювати модель не лише з випадковим вибором, а й із досвідченим експериментатором та сучасними методами розрахунку. Лише так можна встановити реальну додаткову користь ШІ.
Точний прогноз властивості не гарантує, що результат виявиться технологічно корисним, якщо матеріал дорогий або нестабільний.
Коли модель пропонує десятки кандидатів, команда має вирішити, які перевірити першими. Важливе не лише прогнозоване значення потрібної властивості, а й невизначеність прогнозу та інформаційна цінність експерименту. Іноді корисніше синтезувати не найкращий за оцінкою матеріал, а такий, що допоможе моделі усунути ключову прогалину в знаннях.
