Усередині лабораторій на базі штучного інтелекту: нова ера відкриття матеріалів

Як і зростаюча кількість галузей промисловості, матеріалознавство також отримання допомоги за допомогою штучного інтелекту (ШІ).

Тут алгоритми машинного навчання (ML) аналізують величезні набори даних та виявляють закономірності, щоб запропонувати перспективні матеріали-кандидати за мінімальний час, при цьому споживаючи значно менше ресурсів, ніж метод спроб і помилок.

Традиційна ручна, інтенсивна праця з використанням людини, яка було доповнено появою обчислювальних систем, що дозволяють виконувати складні обчислення, зараз повністю революціонізується автоматизованими, паралельними та ітеративними процесами, керованими штучним інтелектом, моделюванням та експериментальною автоматизацією. 

Розвиток технології штучного інтелекту в поєднанні з високопродуктивними обчисленнями та гібридними хмарними технологіями триває допомога матеріалознавству у вхід до нової парадигми позначений прискорене відкриття нових матеріалів, прогнозне моделювання властивостей матеріалів та автономне експериментування. 

This paradigm shift enables researchers to transition from trial-and-error approaches to design, significantly reducing development cycles and paving the way for advanced materials in енергетика, електроніка, охорона здоров'я та застосування в галузі сталого розвитку.

Нещодавно дослідники з Університету штату Північна Кароліна зробили важливий крок вперед, створивши самокеровану лабораторію, щоб досягти нового стрибка в автоматизації лабораторій та ще більше пришвидшити відкриття матеріалів вченими..

Автоматизована лабораторія збирає вдесятеро більше даних, ніж традиційна ручна методи Завдяки цьому кроку дослідники можуть проводити динамічні хімічні експерименти в режимі реального часу, заощаджуючи час і ресурси. дозволяє швидші прориви.

Нові лабораторні відкриття більше не займатимуть роки; радше ми дивимося в майбутнє, де винаходи з'являтимуться за лічені дні.

Лабораторія на базі штучного інтелекту: навчання в реальному часі для досліджень у реальному часі

Для того, щоб подолати глобальні проблеми в галузі чистої енергії, добробуту людства та сталого розвитку, це критичний швидко відкривати передові функціональні матеріали. Відкриття та синтез нових матеріалів також є ключем до інноваційних технологій як батареї, комп'ютерні чіпи, сонячні панелі та багато більше.

В результаті багато прогрес зроблено у платформах для прискорення матеріалів та лабораторіях з автономним керуванням.

Незважаючи на прогрес, можливості цих платформ та лабораторій досліджувати складні простори параметрів перешкоджається через низьку пропускну здатність даних. Повільно передача та обробка даних призводять до зниження продуктивності.

Отже, дослідники Університету штату Північна Кароліна «запровадили експерименти з динамічним потоком як стратегію інтенсифікації даних для синтезу неорганічних матеріалів у самокерованих флюїдних лабораторіях шляхом безперервного відображення перехідних умов реакції на стаціонарні еквіваленти».

Published in Природа Хімічна Машинобудування¹У дослідженні детально описано сучасну лабораторію з автономним керуванням, яка використовує експерименти в режимі реального часу для постійного збору даних, тим самим створення відкриття матеріалів швидше та ефективніше водночас зменшуючи витрати та вплив на навколишнє середовище.

За свою роботу дослідження отримало підтримку від Національного наукового фонду та програми Ініціативи дослідницьких можливостей Університету Північної Кароліни.

Що ж взагалі означає термін «самокеровані лабораторії» (САЛ)? Ну, це роботизовані платформи, які поєднують машинне навчання та автоматизацію з хімічними науками та матеріалознавством для швидшого пошуку матеріалів. На цих модульних експериментальних платформах з підтримкою машинного навчання проводиться серія експериментів, які... вибираються за алгоритмом машинного навчання, виконуються ітеративно для досягнення запрограмованої мети.

«Уявіть, якби вчені могли відкрити проривні матеріали для чистої енергії, нової електроніки чи екологічно чистих хімічних речовин за лічені дні, а не за роки, використовуючи лише частину матеріалів та створюючи набагато менше відходів, ніж зараз».

– Співавтор статті, Мілад Аболхасані, професор хімічної та біомолекулярної інженерії ALCOA в Університеті штату Північна Кароліна

Він додав:

"Ця робота наближає це майбутнє на один крок. 

Безпілотні лабораторії, що представляють собою трансформаційний підхід до прискорення наукових відкриттів, набувають популярності в галузях хімії та матеріалознавства.. 

Автономні лабораторії, що використовують реактори безперервного потоку, часто покладаються на експерименти зі стаціонарним потоком, де різні прекурсори змішуються перед початком хімічних реакцій, і суміш безперервно протікає через них. мікроканал. 

Продукт, який виходить з цього потім характеризується серією датчиків після завершення реакції.

«Цей усталений підхід до самокерованих лабораторій мав разючий вплив на відкриття матеріалів», – зазначив Аболхасані, поділившися тим, що це дозволило вченим «визначити перспективні матеріали-кандидати для конкретних застосувань за кілька місяців або тижнів, а не років, одночасно зменшуючи як витрати, так і вплив роботи на навколишнє середовище». Але це аж ніяк не було ідеально, і все ще були можливості для покращення.

Зокрема, холостий хід системи під час хімічної реакції відбувається перш ніж отриманий матеріал зможе be характеризується. Час очікування для самокерованих лабораторій може сягати години для кожного експерименту зі стаціонарним потоком.

«Ми створили самокеровану лабораторію, яка використовує експерименти з динамічним потоком, де хімічні суміші постійно змінюються в системі». контролюються у режимі реального часу».

– Аболхасані 

Що це засоби в тому, що вони усувають процес пропускання окремих зразків через систему та тестування кожного з них один зараз після того, як вони досягли певного стану. 

Натомість вони створили систему, яка просто не припиняє біг. Зразки безперервно рухаються через систему. Цей тому, що «система ніколи не припиняє характеризувати зразок», і дослідник може «збирати дані про те, що відбувається у зразку кожні півсекунди».

Інтеграція експериментів з динамічними потоками в самокеровані флюїдні лабораторії знаменує собою відхід від традиційних пакетних експериментів. 

На відміну від традиційних підходів, де ізольовані точки даних зібрані за стаціонарних умов, in експерименти з динамічним потоком, мікрофлюїдні принципи використовуються та цінності швидкий картування умов реакції.

Створюючи постійний потік даних, це різко розширює доступні експериментальні дані.

Аболхасані проілюстрував, що команда зараз отримує 20 точок даних про те, що виробляє експеримент, починаючи з однієї після 0.5 секунди часу реакції, потім однієї після 1 секунди часу реакції тощо, на відміну від один точку даних, яку вони б отримати після 10 секунд реакції. Він додав:

«Це як перехід від одного знімка до повноцінного фільму реакції в міру її виникнення. Замість того, щоб чекати завершення кожного експерименту, наша система завжди працює, завжди навчається». 

Наявність набагато більшої кількості даних може мати величезний вплив на продуктивність лабораторії, що працює на базі штучного інтелекту. Зрештою, дані є ключем до алгоритму. Штучний інтелект потребує даних, і на основі цих даних він... годують, алгоритм робить прогнози.

За словами Аболхасані:

«Найважливішою частиною будь-якої самокерованої лабораторії є алгоритм машинного навчання, який система використовує для прогнозування наступного експерименту». 

Таким чином, підхід потокової передачі даних дозволяє мозку машинного навчання лабораторії з автономним керуванням приймати не лише швидше, але й розумніші рішення, «відточуючи оптимальні матеріали та процеси за частку часу».

Якість даних також визначає точність прогнозів. Отже, мимо маючи більше високоякісних експериментальних даних, алгоритм може робити точніші прогнози, ,а потім it може вирішити проблема швидше 

«Це має додаткову перевагу у зменшенні кількості хімікатів, необхідних для досягнення рішення». 

– Аболхасані

Щоб продемонструвати можливості своєї системи, команда застосувала експерименти з динамічним потоком до колоїдних квантових точок CdSe. Це було використано як випробувальний стенд завдяки своєму статусу добре зарекомендованої неорганічної системи з не лише багатими залежностями параметрів, але й значним технологічним потенціалом.

У цьому випадку команда виявила, що їхня лабораторія, яка впровадила систему динамічного потоку, досягла «значного покращення ефективності збору даних».

Це дало щонайменше в 10 разів більше даних, ніж інші лабораторії з автономним керуванням, які використовували експерименти зі стаціонарним потоком. Більше того, після навчання лабораторія автономного водіння змогла виявити найкращих кандидатів з першої спроби.

Цей прорив, як сказав Аболхасані, «полягає не лише у швидкості», а й у досягненні сталого розвитку. Зменшуючи необхідну кількість експериментів, система значно зменшує як споживання хімікатів, так і відходи, сприяючи більш сталим дослідницьким практикам. Аболхасані сказав:

«Майбутнє відкриття матеріалів залежить не лише від того, наскільки швидко ми можемо рухатися вперед, а й від того, наскільки відповідально ми досягаємо цього. Наш підхід означає менше хімікатів, менше відходів і швидші рішення для найскладніших проблем суспільства».

Розширення ролі штучного інтелекту в матеріалознавстві: захопливі нещодавні відкриття

Штучний інтелект трансформує галузі промисловості по всьому світу, і це включає матеріалознавство, яке є основоположним для багатьох технологічних інновацій та суспільних викликів. 

В результаті використання використання штучного інтелекту у відкритті та розробці нових матеріалів було продовжувати Протягом багатьох років зараз, але має звичайно набула популярності в останні роки, оскільки технологія стає більш просунутими та здібними. 

«З подальшим розвитком ми очікуємо, що робототехніка та автоматизація покращать швидкість, точність та відтворюваність експериментів на різних інструментах та дисциплінах, генеруючи дані, які системи штучного інтелекту зможуть аналізувати для подальшого проведення експериментів»."

– Д-р Джеймс Кахун, співавтор статтіПеретворення наукових лабораторій на автоматизовані фабрики відкриттів.^{2 '}

З огляду на це, давайте розглянемо деякі ключові досягнення, досягнуті в матеріалознавстві цього року в різних сферах застосування.

Для початку, як ми нещодавно повідомляли, за допомогою штучного інтелекту вчені змогли розробити складні тривимірні теплові метавипромінювачі, які можуть збивати температура в приміщенні та допомога економити енергетичні витрати. Матеріал, створений за допомогою нещодавно розробленої техніки машинного навчання (МО), може знайти застосування в житлових та комерційних будівлях, космічних апаратах, тканинах та текстилі, автомобілях тощо.

«Автоматизуючи процес і розширюючи простір дизайну, ми можемо створювати матеріали з чудовими характеристиками, які раніше були немислимими»."

– Співкерівник дослідження Юебін Чжен

Розробка нових металевих матеріалів з підвищеною міцністю

Кілька місяців тому вчені повідомляє використання штучного інтелекту для проектування нового MPEA або кількох головних елементів сплави, Яка він має знайдений у компонентах літаків, каталітичних нейтралізаторах та замінах колінних суглобів.

The newly designed MPEA comes with superior mechanical properties, which Sanket Deshmukh, associate professor in chemical engineering at Virginia Tech, said, “demonstrates how frameworks and explainable AI can unlock new possibilities in materials design."

Інтерпретувати аналіз made за моделлю штучного інтелекту, Дешмукх та його команда використовуваний SHAP-аналіз (адитивні пояснення Шеплі), який дозволено щоб вони зрозуміли, як різні елементи та їхнє локальне середовище впливати Властивості MPEA, у свою чергу, надання більшої аналітики та точних прогнозів.

Окрім прискорення відкриття передових металевих сплавівДешмукх вважає, що інтеграція машинного навчання з еволюційними алгоритмами та експериментальною перевіркою також може допомогти нам створити інструменти, які «можна поширити на складні матеріальні системи, такі як глікоматеріали – полімерні матеріали, що містять вуглеводи».

Розкриття секретів росту дендритів у тонких плівках

Команда дослідження³ з Токійського університету наук (TUS) розробив зрозумілу модель штучного інтелекту, яка передбачає ріст дендритів (деревоподібний візерунок розгалуження) у тонких плівках, що є основною перешкодою у їхньому виготовленні на великій площі та обмежує їх комерціалізацію.

Розкриваючи специфічні умови та механізми розгалуження дендритів, модель штучного інтелекту допомагає покращити процес росту тонких плівок. Тонкоплівкові пристрої є критичний in техніка, як напівпровідників.

Нова модель штучного інтелекту інтегрувала метод машинного навчання, який називається аналізом головних компонентів (PCA), та метод топології, який називається персистентною гомологією, з аналізом вільної енергії. 

«Інтегруючи топологію та вільну енергію, наш метод пропонує універсальний підхід до аналізу матеріалів. Завдяки цій інтеграції ми можемо встановити ієрархічний зв'язок між мікроструктурами атомного масштабу та макроскопічними функціональними можливостями в широкому діапазоні матеріалів, прокладаючи шлях для майбутніх досягнень у матеріалознавстві»."

– Професор Масато Коцугі з кафедри матеріалознавства та технології Техаського університету

Краще розуміння наночастинок

Команда вчених з кількох університетів зійшлися до розвивати метод⁴ до краще розуміти динамічна поведінка наночастинок, які є будівельними блоками електроніки, фармацевтики та промислових матеріалів.

Він поєднав електронну мікроскопію зі штучним інтелектом для візуалізації структур і рухів молекул з безпрецедентною часовою роздільною здатністю.

Як пояснив Пітер А. Крозьє, професор матеріалознавства та інженерії в Університеті штату Аризона:

«Електронна мікроскопія може отримувати зображення з високою просторовою роздільною здатністю, але через швидкість, з якою змінюється атомна структура наночастинок під час хімічних реакцій, нам потрібно збирати дані з дуже високою швидкістю, щоб зрозуміти їхню функціональність».

Щоб зменшити цей шум, вони розробили метод штучного інтелекту, який автоматично його видаляє, «що дозволяє візуалізувати ключову динаміку на атомному рівні».

Тим часом дослідницька група з Грацького технологічного університету виводить конструювання наноструктур на новий рівень за допомогою штучного інтелекту.

Для цього вони розвивається самонавчальна система штучного інтелекту, яка автономно та швидко позиціонує окремі молекули право орієнтація за допомогою скануючих тунельних мікроскопів, що в іншому випадку є складним і трудомістким процесом, щоб дозволити Будівля «дуже складних молекулярних структур, включаючи логічні схеми в нанометровому діапазоні»."

Мета полягає в тому, щоб зрештою створити квантові корали, які являють собою наноструктури у формі затвора, здатного затримувати електрони, та використовувати їх для побудови логічних схем для вивчення того, як вони працюють на молекулярному рівні. 

Відкриття кращих фотоелектричних матеріалів

Стала альтернатива звичайним сонячним елементам на основі кремнію, перовскітні сонячні елементи Показувати великий потенціал як фотоелектрична технологія наступного покоління конвертувати сонячне світло в електрику. 

Їхню ефективність можна додатково підвищити за допомогою молекул, які проводять позитивні заряди, але існують мільйони різних молекул, що означає синтез та тестування всіх з них. Однак, використовуючи штучний інтелект з автоматизованим високопродуктивним синтезом, команда дослідників з Технологічного інституту Карлсруе (KIT) змогла відкривають нові органічні молекули⁵ лише за кілька тижнів, лише зі 150 цільовими експериментами.

Нещодавно відкриті матеріали також підвищили ефективність еталонного сонячного елемента приблизно на два відсоткові пункти.

Для цього вчені звернулися до бази даних з одним мільйоном віртуальних молекул і випадковим чином вибрали з них 13,000 101, перш ніж обрати XNUMX. Вибрані було найбільші відмінності у своїх властивостях, і вони були синтезовані з роботизовані системи раніше їх використання для виробництва сонячних елементів.

Закладання основи для відкриття матеріалів за допомогою штучного інтелекту

Хоча всі ці відкриття є виготовляється, щоб ШІ насправді здійснив це, йому потрібні дані. Цей включає дані про матеріали, а також дані великомасштабних симуляцій. 

Хоча існує багато таких баз даних, вони досить ізольовані, і тому потребують стандарту, «щоб користувачі могли взаємодіяти з усіма цими бібліотеками даних і розуміти отриману ними інформацію," зазначив Джан-Марко Ріньянезе, професор Інституту конденсованих систем та нанонаук Університету Лувена в Бельгії.

Отже, минулого літа відбулася велика міжнародна співпраця випущений розширена версія стандарту OPTIMADE для полегшення пошуку матеріалів за допомогою штучного інтелекту.

OPTIMADE (Відкритий інтеграція баз даних та цінності дизайн матеріалів) стандарт є підтриманий великою міжнародною мережею установ та баз даних матеріалів. З метою надання користувачам легшого доступу до провідних, а також менш відомих баз даних матеріалів, було розроблено нову версію... було введено що може ще більше пришвидшити поточний процес відкриття матеріалів за допомогою штучного інтелекту.

Інвестування в штучний інтелект для пошуку матеріалів

Коли розглядаю інвестування у цьому просторі, алфавіт Inc. (GOOGL ) належить Google це той, який випустила інструмент штучного інтелекту під назвою Gnome. Він має повідомив про знахідку 2.2 мільйона нових кристалів з цим. тоді є Microsoft (MSFT ), яка запровадила MatterGen та MatterSim для створення нових матеріалів-кандидатів та їхньої валідації.

Але є ще один гігант штучного інтелекту, який запустив власну модель для підвищення масштабу та точності досліджень матеріалів.

NVIDIA Corporation (NVDA )

Це не хто інший, як улюбленець штучного інтелекту Nvidia. Наприкінці минулого року компанія введені NVIDIA ALCHEMI (Лабораторія штучного інтелекту для хімії та інновацій у матеріалах).

Платформа має на меті пришвидшити дослідження та розробки в галузі хімії та матеріалознавства за допомогою можливостей штучного інтелекту та досягти цього, він включає API та мікросервіси прискореного виводу. Цей дозволить створювати та розгортати покоління Моделі штучного інтелекту для дослідження величезного всесвіту матеріалів та пропозиції нових кандидатів, та розвиток та використання сурогатних моделей досягати баланс між коштувати обчислення і точність. Це також буде дозволено для доступні інформатичні інструменти та попередньо навчені базові моделі та цінності інструменти швидкого скринінгу та моделювання тренуватися та тонка настройка Моделі AI та цінності нові випадки використання.

За допомогою ALCHEMI NVIDIA прагне пришвидшити робочий процес відкриття та «відкрити нову еру проривних відкриттів, що сприятимуть більш сталому та здоровішому майбутньому».

Nvidia — це компанія з ринковою капіталізацією 4.22 трильйона доларів, акції якої торгуються приблизно на рівні 173.5 доларів, що на 28.8% більше, ніж з початку року. Її прибуток на акцію (TTM) становить 3.10, коефіцієнт P/E (TTM) — 55.73, а запропонована дивідендна дохідність становить 0.02%.

Останні новини та події щодо акцій NVIDIA Corporation (NVDA)

Висновок

Як штучний інтелект, автоматизація та високопродуктивні обчислення збиратися разом, матеріалознавство вступає у свою найбільш трансформаційну еру, знаменуючи собою вкрай необхідний перехід від антропогенного метод спроб і помилок to, autonomous discovery.

Серед цього, лабораторії на базі штучного інтелекту та експериментальні платформи з автономним керуванням повністю змінюють спосіб, у який вчені не лише відкривають, а й тестують та оптимізують матеріали. Більше того, завдяки таким ініціативам, як ALCHEMI від NVIDIA, Gnome від Google та MatterGen від Microsoft, великі технологічні компанії також роблять ставку на ШІ як на стимулювання наступної хвилі інновацій!

Натисніть тут, щоб дізнатися все про інвестування в штучний інтелект.

Список використаної літератури:

1. Дельгадо-Лікона, Ф.; Альсаярі, А.; Дікерсон, Х.; Клем, П.; Горай, А.; Канті, РБ; Беннетт, Дж.А.; Джа, П.; Мухін Н.; Лі, Дж.; Лопес-Гуахардо, Е. А.; Садегі, С.; Батені, Ф.; Аболхасані, М. Інтенсифікація даних, керована потоком, для прискорення виявлення автономних неорганічних матеріалів. Nature Chemical Engineering, опубліковано онлайн 14 липня 2025 р. https://doi.org/10.1038/s44286-025-00249-z
2. Ангелопулос, А.; Кахун, Дж. Ф.; Альтеровіц, Р. Перетворення наукових лабораторій на автоматизовані фабрики відкриттів. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Тон, М.; Сато, С.; Куній, С.; Обаяші, І.; Хіраока, Ю.; Огава, Ю.; Фукідом, Х.; Фоджатто, А. Л.; Міцумата, С.; Нагаока, Р.; Варадвай, А.; Варадвай, П. Р.; Мацуда, І.; Коцугі, М.; та ін. Пов’язування структури та процесу дендритного росту за допомогою стійкої гомології з енергетичним аналізом. наук. технол. Adv. Матер. Методика 2025, 5 (1), стаття 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, P. A.; Лейбович, М.; Халуаї, П.; Тан, М.; Томас, А. М.; Вінсент, Дж.; Мохан, С.; Моралес, А. М.; Кулкарні, С. А.; Маттесон, Д. С.; Ван, Ю.; Фернандес-Гранда, К. Візуалізація динаміки та нестабільності поверхні наночастинок за допомогою глибокого шумозаглушення. наука 2025, 387 (6737), 949-954. https://doi.org/10.1126/science.ads2688
5. Ву, Дж.; Торресі, Л.; Ху, М.; Райзер, П.; Чжан, Дж.; Роша-Ортіс, Дж. С.; Ван, Л.; Се, З.; Чжан, К.; Парк, Б.-В.; Барабаш А.; Чжао, Ю.; Ло, Дж.; Ван, Ю.; Люєр, Л.; Ден, Л.-Л.; Хаух, Я. А.; Гулді, Д. М.; Перес-Охеда, М. Е.; Сеок, С. І.; Фрідріх, П.; Brabec, C. J. Inverse Design Workflow відкриває матеріали для транспортування отворів, розроблені для перовскітових сонячних елементів. Наука 2024, 386 (6727), 1256–1264. https://doi.org/10.1126/science.ads0901