Loading ...Генеративные модели искусственного интеллекта использовались для создания огромных библиотек теоретических материалов, которые могли бы помочь решить самые разные проблемы. Теперь ученым осталось только выяснить, как их изготовить. Во многих случаях синтез материалов не так прост, как следование рецепту на кухне. Такие факторы, как температура и продолжительность обработки, могут привести к огромным изменениям свойств материала, которые определяют его характеристики. Это ограничивает возможности исследователей по тестированию миллионов перспективных материалов, созданных с помощью моделей.
Теперь исследователи из Массачусетского технологического института создали модель искусственного интеллекта, которая помогает ученым в процессе получения материалов, предлагая перспективные пути синтеза. В новой статье они показали, что модель обеспечивает высочайшую точность в прогнозировании эффективных путей синтеза для класса материалов, называемых цеолитами, которые могут быть использованы для улучшения катализа, абсорбции и процессов ионного обмена. Следуя предложенным моделям, команда синтезировала новый цеолитный материал, продемонстрировавший улучшенную термическую стабильность.
Исследователи считают, что их новая модель может преодолеть самое большое препятствие в процессе открытия новых материалов.
«Если использовать аналогию, мы знаем, какой торт хотим испечь, но прямо сейчас не знаем, как его испечь», — говорит ведущий автор исследования Элтон Пан, аспирант кафедры материаловедения и инженерии (DMSE) Массачусетского технологического института. «В настоящее время синтез материалов осуществляется на основе экспертных знаний и метода проб и ошибок».
Статья с описанием работы будет опубликована в журнале Nature Computational Science . Вместе с Паном над статьей работали Сунхён Квон (выпуск 2020 г., доктор философии, выпуск 2024 г.); постдокторант кафедры DMSE Сулин Лю; аспирант кафедры химической инженерии Минжоу Се; постдокторант кафедры DMSE Александр Дж. Хоффман; научный сотрудник Ифэй Дуань (выпуск 2025 г.); приглашенный студент кафедры DMSE Торбен Прейн; кандидат наук кафедры DMSE Киллиан Шериф; профессор кафедры химической инженерии им. Роберта Т. Хаслама Массачусетского технологического института Юрий Роман-Лешков; профессор Валенсийского политехнического университета Мануэль Молинер; профессор кафедры развития карьеры им. Пола М. Кука Массачусетского технологического института Рафаэль Гомес-Бомбарелли; и профессор инженерных наук им. Джерри МакАфи Массачусетского технологического института Эльза Оливетти.
Учимся печь
Масштабные инвестиции в генеративный искусственный интеллект привели к тому, что такие компании, как Google, создали огромные базы данных, содержащие рецепты материалов, которые, по крайней мере теоретически, обладают такими свойствами, как высокая термическая стабильность и избирательное поглощение газов. Но для получения таких материалов могут потребоваться недели или месяцы тщательных экспериментов, в ходе которых проверяются конкретные температуры реакции, время, соотношения прекурсоров и другие факторы.
«Люди полагаются на свою химическую интуицию, чтобы направлять этот процесс», — говорит Пан. «Человек мыслит линейно. Если есть пять параметров, мы можем оставить четыре из них постоянными и изменять один из них линейно. Но машины гораздо лучше справляются с рассуждениями в многомерном пространстве».
В настоящее время процесс синтеза при открытии новых материалов зачастую занимает больше всего времени на пути материала от теории к практическому применению.
Чтобы помочь ученым разобраться в этом процессе, исследователи из Массачусетского технологического института обучили генеративную модель искусственного интеллекта на более чем 23 000 рецептах синтеза материалов, описанных в научных статьях за 50 лет. В процессе обучения исследователи итеративно добавляли случайный «шум» к рецептам, и модель научилась удалять шум и отбирать образцы из этого случайного шума, чтобы находить перспективные пути синтеза.
В результате появился DiffSyn, использующий подход в искусственном интеллекте, известный как диффузия.
«Диффузионные модели — это, по сути, генеративная модель искусственного интеллекта, подобная ChatGPT, но больше похожая на модель генерации изображений DALL-E», — говорит Пан. «В процессе вывода она преобразует шум в осмысленную структуру, вычитая небольшое количество шума на каждом шаге. В данном случае «структура» — это путь синтеза желаемого материала».
Когда учёный, использующий DiffSyn, вводит желаемую структуру материала, модель предлагает ряд перспективных комбинаций температур реакции, времени реакции, соотношений прекурсоров и многого другого.
«По сути, она подсказывает, как испечь торт», — говорит Пан. «У вас есть идея для торта, вы вводите её в модель, и модель выдаёт рецепты синтеза. Учёный может выбрать любой путь синтеза, какой захочет, и существуют простые способы количественной оценки наиболее перспективного пути синтеза из тех, что мы предоставляем, что мы и демонстрируем в нашей статье».
Для проверки своей системы исследователи использовали DiffSyn, чтобы предложить новые пути синтеза цеолита — сложного класса материалов, для формирования которого в пригодный для тестирования материал требуется время.
« Цеолиты обладают очень большим пространством для синтеза», — говорит Пан. «Кроме того, кристаллизация цеолитов обычно занимает дни или недели, поэтому влияние [нахождения оптимального пути синтеза быстрее] гораздо выше, чем у других материалов, которые кристаллизуются за несколько часов».
Исследователям удалось получить новый цеолитный материал, используя методы синтеза, предложенные программой DiffSyn. Последующие испытания показали, что материал обладает перспективной морфологией для каталитических применений.
«Ученые пробуют разные рецепты синтеза один за другим, — говорит Пан. — Это очень трудоемкий процесс. Эта модель может протестировать 1000 из них менее чем за минуту. Она дает очень хорошее первоначальное представление о рецептах синтеза совершенно новых материалов».
Учет сложности
Ранее исследователи создавали модели машинного обучения, которые сопоставляли материал с одним-единственным рецептом. Эти подходы не учитывают, что существуют разные способы изготовления одного и того же материала.
Программа DiffSyn обучена сопоставлять материальные структуры со множеством различных возможных путей синтеза. По словам Пана, это лучше соответствует экспериментальной реальности.
«Это кардинальное изменение парадигмы: от однозначного соответствия между структурой и синтезом к соотношению «один ко многим», — говорит Пан. — Именно поэтому мы добились значительных успехов в контрольных тестах».
В дальнейшем исследователи полагают, что этот подход должен сработать для обучения других моделей, которые управляют синтезом материалов, отличных от цеолитов, включая металлоорганические каркасы , неорганические твердые вещества и другие материалы, имеющие более одного возможного пути синтеза.
«Этот подход можно распространить и на другие материалы, — говорит Пан. — Сейчас узким местом является поиск высококачественных данных для различных классов материалов. Но цеолиты — сложные материалы, поэтому я могу представить, что они близки к верхнему пределу сложности. В конечном итоге цель будет заключаться в том, чтобы интегрировать эти интеллектуальные системы с автономными экспериментами в реальном мире и агентным мышлением на основе экспериментальной обратной связи, чтобы значительно ускорить процесс проектирования материалов».
Новости партнеров:
Вам могло бы понравиться:
267
