Generatyviniai dirbtinio intelekto modeliai buvo naudojami kuriant milžiniškas teorinių medžiagų bibliotekas, kurios galėtų padėti išspręsti įvairiausias problemas. Dabar mokslininkai turi išsiaiškinti, kaip jas pagaminti. Daugeliu atvejų medžiagų sintezė nėra tokia paprasta, kaip laikytis recepto virtuvėje. Tokie veiksniai kaip temperatūra ir apdorojimo trukmė gali sukelti didžiulius medžiagos savybių pokyčius, kurie lemia jos veikimą. Tai apribojo tyrėjų galimybes išbandyti milijonus perspektyvių modelių sugeneruotų medžiagų.
MIT (Massachusetts Institute of Technology) tyrėjai sukūrė dirbtinio intelekto modelį, kuris padeda mokslininkams gaminti medžiagas, siūlydamas perspektyvius sintezės būdus. Naujame straipsnyje jie parodė, kad modelis užtikrina tikslumą prognozuojant efektyvius sintezės kelius medžiagų klasei, vadinamai ceolitais, kurie galėtų būti naudojami katalizės, absorbcijos ir jonų mainų procesams pagerinti. Vadovaudamasi modelio pasiūlymais, komanda susintetino naują ceolito medžiagą, kuri pasižymėjo pagerintu terminiu stabilumu.
Tyrėjai mano, kad jų naujas modelis galėtų įveikti didžiausią medžiagų atradimo proceso kliūtį.
„Pagal analogiją, žinome, kokį pyragą norime pagaminti, bet šiuo metu nežinome, kaip jį iškepti“, – sako pagrindinis autorius Eltonas Panas, MIT Medžiagų mokslo ir inžinerijos katedros (Department of Materials Science and Engineering, DMSE) doktorantas. „Medžiagų sintezė šiuo metu atliekama pasitelkiant srities ekspertizę ir bandymų bei klaidų metodą.“
Straipsnis, kuriame aprašomas darbas, bus paskelbtas žurnale „Nature Computational Science“.
Dėl didelių investicijų į generatyvinį dirbtinį intelektą tokios įmonės kaip „Google“ ir „Meta“ sukūrė didžiules duomenų bazes, pilnas medžiagų receptų, kurie bent jau teoriškai pasižymi tokiomis savybėmis kaip didelis terminis stabilumas ir selektyvi dujų absorbcija. Tačiau šių medžiagų gamybai gali prireikti savaičių ar mėnesių kruopščių eksperimentų, kurių metu tikrinamos konkrečios reakcijos temperatūros, laikas, pirmtakų santykiai ir kiti veiksniai.
„Žmonės vadovaujasi savo chemine intuicija“, – sako Panas. „Žmonės yra gana linijiniai. Jei yra penki parametrai, mes galime išlaikyti keturis iš jų pastovius ir vieną iš jų keisti tiesiškai. Tačiau mašinos daug geriau samprotauja daugiamatėje erdvėje.“
Medžiagų atradimo sintezės procesas dabar dažnai užtrunka daugiausiai laiko medžiagos kelionėje nuo teorijos iki naudojimo.
Siekdami padėti mokslininkams orientuotis šiame procese, MIT tyrėjai apmokė generatyvinį dirbtinio intelekto modelį su daugiau nei 23 000 medžiagų sintezės receptų, aprašytų per 50 metų moksliniuose straipsniuose. Mokymo metu tyrėjai iteratyviai pridėjo atsitiktinių „triukšmų“ prie receptų, o modelis išmoko pašalinti triukšmus, kad rastų perspektyvius sintezės būdus.
Rezultatas – „DiffSyn“, kuris naudoja dirbtinio intelekto metodą, vadinamą difuzija.
„Difuzijos modeliai iš esmės yra generatyvinis dirbtinio intelekto modelis, panašus į „ChatGPT“, bet labiau panašus į DALL-E vaizdų generavimo modelį“, – sako Panas. „Išvados darymo metu triukšmas paverčiamas prasminga struktūra, kiekviename žingsnyje atimdamas šiek tiek triukšmo. Šiuo atveju „struktūra“ yra norimos medžiagos sintezės kelias.“
Kai mokslininkas, naudodamas „DiffSyn“, įveda norimą medžiagos struktūrą, modelis siūlo keletą perspektyvių reakcijos temperatūrų, reakcijos laikų, pirmtakų santykių ir kitų veiksnių derinių.
„Tai iš esmės nurodo, kaip iškepti pyragą“, – sako Panas. „Turite omenyje pyragą, įdedate jį į modelį, o šis duoda sintezės receptus. Mokslininkas gali pasirinkti bet kurį norimą sintezės kelią, ir yra paprastų būdų kiekybiškai įvertinti perspektyviausią sintezės kelią iš to, ką pateikiame, ką ir parodome savo straipsnyje.“
Norėdami išbandyti savo sistemą, tyrėjai naudojo „DiffSyn“, kad pasiūlytų naujus ceolito, sudėtingos medžiagų klasės, sintezės kelius.
„Ceolitai turi labai daugiamatę sintezės erdvę“, – sako Panas. „Ceolitai taip pat linkę kristalizuotis per kelias dienas ar savaites, todėl greitesnio geriausio sintezės kelio paieškos poveikis yra daug didesnis nei kitų medžiagų, kurios kristalizuojasi per kelias valandas.“
Tyrėjai sugebėjo pagaminti naują ceolito medžiagą naudodami „DiffSyn“ pasiūlytus sintezės kelius. Vėlesni bandymai parodė, kad medžiaga turi perspektyvią morfologiją kataliziniam naudojimui.
„Mokslininkai po vieną išbandė skirtingus sintezės receptus“, – sako Panas. „Dėl to jie užima daug laiko. Šis modelis gali paimti 1000 pavyzdžių per mažiau nei minutę. Tai suteikia labai gerą pradinį spėjimą apie visiškai naujų medžiagų sintezės receptus.“
Anksčiau tyrėjai sukūrė mašininio mokymosi modelius, kurie susiejo medžiagą su vienu receptu. Šie metodai neatsižvelgia į tai, kad yra skirtingų būdų pagaminti tą pačią medžiagą.
„DiffSyn“ yra apmokytas susieti medžiagų struktūras su daugeliu skirtingų galimų sintezės kelių. Eltonas Panas teigia, kad tai geriau atitinka eksperimentinę realybę.
„Tai paradigmos poslinkis nuo „vienas su vienu“ struktūros ir sintezės susiejimo prie „vienas su daugeliu“ susiejimo“, – sako Panas. „Tai yra pagrindinė priežastis, kodėl pasiekėme didelių laimėjimų lyginamuosiuose testuose.“
Tyrėjai mano, kad ateityje šis metodas turėtų būti tinkamas apmokyti kitus modelius, kurie pataria medžiagų, skirtingų nei ceolitai, sintezei, įskaitant metalo-organinius karkasus, neorganines kietąsias medžiagas ir kitas medžiagas, turinčias daugiau nei vieną galimą sintezės kelią.
„Šis metodas galėtų būti išplėstas ir kitoms medžiagoms“, – sako Panas. „Dabar kliūtis yra rasti aukštos kokybės duomenis skirtingoms medžiagų klasėms. Tačiau ceolitai yra sudėtingi, todėl galiu įsivaizduoti, kad jie yra arti viršutinės sudėtingumo ribos. Galiausiai tikslas būtų susieti šias intelektualias sistemas su autonominiais realaus pasaulio eksperimentais ir agentiniu samprotavimu, pagrįstu eksperimentiniu grįžtamuoju ryšiu, kad būtų galima smarkiai paspartinti medžiagų projektavimo procesą.“
Elton Pan et al, DiffSyn: A Generative Diffusion Approach to Materials Synthesis Planning“, Nature Computational Science (2026). On arXiv: DOI: 10.48550/arxiv.2509.17094
Journal information: Nature Computational Science , arXiv