Как генеративный искусственный интеллект может помочь ученым синтезировать сложные материалы

Исследователи Массачусетского технологического института (MIT) представили новую модель искусственного интеллекта, способную кардинально ускорить и упростить процесс создания сложных материалов в лаборатории. Хотя генеративный ИИ уже используется для проектирования огромных библиотек теоретических материалов с заданными свойствами, ключевой проблемой оставался поиск способов их реального синтеза. Синтез материалов часто напоминает искусство, зависящее от множества переменных: температуры, времени обработки, соотношения компонентов. Это создавало серьёзное препятствие для проверки миллионов перспективных соединений, предложенных ИИ.

Новая модель, названная DiffSyn, призвана стать гидом для учёных, предлагая наиболее перспективные пути синтеза. Она основана на архитектуре диффузионных моделей, аналогичных тем, что используются для генерации изображений. Система была обучена на более чем 23 000 рецептов синтеза, собранных из научных статей за 50 лет. В процессе обучения модель научилась преобразовывать «шум» в осмысленные инструкции.

Когда исследователь вводит в систему желаемую структуру материала, DiffSyn генерирует возможные комбинации параметров синтеза — таких как температура, время, соотношение прекурсоров. Это позволяет учёным получить отправную точку для экспериментов, экономя недели и месяцы проб и ошибок. Как поясняет ведущий автор работы, аспирант MIT Элтон Пан, традиционный подход линейного перебора параметров человеком неэффективен в условиях многомерного пространства возможностей, где машины рассуждают лучше.

Эффективность модели была продемонстрирована на синтезе цеолитов — сложных пористых материалов, используемых в катализе, адсорбции и ионном обмене. Их синтез обычно занимает дни или недели, что делает ускорение этого процесса особенно ценным. DiffSyn предложила новые пути синтеза, и команда успешно создала новый цеолитный материал, показавший улучшенную термическую стабильность. Важным отличием DiffSyn от предыдущих попыток является её способность предлагать множество различных путей для создания одного и того же материала (так называемое «отображение один-ко-многим»), что лучше соответствует реальной экспериментальной практике.

Исследователи полагают, что их разработка преодолевает главное узкое место в процессе открытия материалов. В будущем этот подход может быть распространён и на другие классы материалов, такие как металлоорганические каркасы и неорганические твёрдые тела. Конечной целью является интеграция подобных интеллектуальных систем с автоматизированными лабораторными установками для полной автономизации процесса разработки новых материалов.

Источник