Novi AI alat za stvaranje revolucionarnih materijala

Modeli umjetne inteligencije koji pretvaraju tekst u slike također su korisni za generiranje novih materijala. Tijekom posljednjih nekoliko godina, modeli tvrtki poput Googlea, Microsofta i Mete koristili su svoje podatke za obuku kako bi pomogli istraživačima u dizajniranju desetaka milijuna novih materijala.

Ali kada je riječ o dizajniranju materijala s egzotičnim kvantnim svojstvima poput supravodljivosti ili jedinstvenih magnetskih stanja, ti se modeli muče. To je šteta, jer bi ljudima dobro došla pomoć. Na primjer, nakon desetljeća istraživanja klase materijala koji bi mogli revolucionirati kvantno računarstvo, nazvanih kvantne spinske tekućine, identificirano je samo desetak kandidata za materijale. Usko grlo znači da postoji manje materijala koji bi poslužili kao osnova za tehnološke proboje.

Istraživači s američkog tehnološkog instituta MIT, razvili su tehniku ​​koja omogućuje popularnim modelima generativnog AI-ja stvaranje obećavajućih kvantnih materijala slijedeći specifična pravila dizajna. Pravila, ili ograničenja, usmjeravaju modele na stvaranje materijala s jedinstvenim strukturama koje daju kvantna svojstva.

„Modeli ovih velikih tvrtki generiraju materijale optimizirane za stabilnost“, kaže Mingda Li, profesor razvoja karijere na MIT-u. „Naša je perspektiva da to obično nije način na koji znanost o materijalima napreduje. Ne treba nam 10 milijuna novih materijala da bismo promijenili svijet. Treba nam samo jedan stvarno dobar materijal.“

U pristupu koji je opisan u radu objavljenom u časopisu Nature Materials, istraživači su primijenili svoju tehniku ​​kako bi generirali milijune kandidata za materijale koji se sastoje od geometrijskih rešetkastih struktura povezanih s kvantnim svojstvima. Iz tog skupa sintetizirali su dva stvarna materijala s egzotičnim magnetskim svojstvima.

Svojstva materijala određena su njegovom strukturom, a kvantni materijali nisu iznimka. Određene atomske strukture vjerojatnije će dati egzotična kvantna svojstva od drugih. Na primjer, kvadratne rešetke mogu poslužiti kao platforma za visokotemperaturne supravodiče, dok drugi oblici poznati kao Kagomeove i Liebove rešetke mogu podržati stvaranje materijala koji bi mogli biti korisni za kvantno računarstvo.

Kako bi pomogli popularnoj klasi generativnih modela poznatih kao difuzijski modeli u proizvodnji materijala koji su u skladu s određenim geometrijskim uzorcima, istraživači su stvorili SCIGEN (Structural Constraint Integration in GENerative model). SCIGEN je računalni kod koji osigurava da se difuzijski modeli pridržavaju korisnički definiranih ograničenja u svakom iterativnom koraku generiranja. Pomoću SCIGEN-a korisnici mogu dati bilo kojem generativnom AI difuzijskom modelu geometrijska strukturna pravila kojih se treba pridržavati dok generira materijale.

Modeli difuzije umjetne inteligencije rade tako da uzorkuju iz svog skupa podataka za obuku kako bi generirali strukture koje odražavaju distribuciju struktura pronađenih u skupu podataka. SCIGEN blokira generacije koje nisu usklađene sa strukturnim pravilima.

Kako bi testirali SCIGEN, istraživači su ga primijenili na popularni model generiranja materijala umjetnom inteligencijom poznat kao DiffCSP. Model opremljen SCIGEN-om generirao je materijale s jedinstvenim geometrijskim uzorcima poznatim kao Arhimedove rešetke, koje su zbirke 2D rešetkastih popločavanja različitih poligona. Arhimedove rešetke mogu dovesti do niza kvantnih fenomena i bile su u fokusu mnogih istraživanja.

Model je generirao preko 10 milijuna kandidata za materijale s Arhimedovim rešetkama. Milijun tih materijala preživio je provjeru stabilnosti. Koristeći superračunala u Nacionalnom laboratoriju Oak Ridge, istraživači su zatim uzeli manji uzorak od 26.000 materijala i proveli detaljne simulacije kako bi razumjeli kako se ponašaju atomi u osnovi materijala. Istraživači su pronašli magnetizam u 41 posto tih struktura.

Iz tog podskupa, istraživači su u laboratorijima sintetizirali dva prethodno neotkrivena spoja, TiPdBi i TiPbSb. Naknadni eksperimenti pokazali su da su predviđanja modela umjetne inteligencije uvelike usklađena sa svojstvima stvarnog materijala.