ИИ-технологии активно трансформируют повседневную жизнь людей — многие уже не представляют ее без чат-ботов. Не остается в стороне и научное сообщество: исследователи все чаще используют нейросетевые инструменты, ускоряя работу и открывая новые возможности. Как минимум речь идет о делегировании ИИ рутинных задач, например, при создании основы для обзоров литературы и написании стандартных заявок на гранты. Также ученые создают и обучают собственные ИИ-модели, которые решают специфические задачи в той или иной области знаний.
Наука Mail собрала несколько впечатляющих примеров применения ИИ для поиска новых сплавов и полимеров, а также создания материалов для батарей и аккумуляторов энергии.
Чтобы решить проблемы устойчивости и другие проблемы, с которыми сталкивается планета, нам нужно сжать 250 лет химии до следующих 25. Это потребует создания новых химических методов с гораздо большей опорой на вычисления.
Как обстояли дела в материаловедении до прихода эпохи ИИ
До массового внедрения ИИ-инструментов химики находили новые материалы с нужными свойствами традиционными методами. После изучения имеющихся научных статей они готовили и проводили синтез веществ, которые потенциально могли бы обладать нужными им свойствами. Для этого ученые ставили в лабораториях по всему миру множество экспериментов с различными сочетаниями химических элементов и соединений. Так постепенно они находили материалы с нужными промышленности характеристиками.
Это был очень трудоемкий и длительный процесс, требующий многократных проб и ошибок. В какой-то мере его облегчало теоретическое моделирование и квантово-механические расчеты. Последние были точными, но также требовали много знаний, времени и сил, особенно в случае сложных соединений.
Часто ученые изучали структуру и свойства уже известных им материалов, чтобы понять, как небольшие изменения в их составе или структуре их кристаллов могут привести к улучшению свойств. Опыт и интуиция ученых играли в этом процессе большую роль.
Исследователи применяли эволюционные алгоритмы, методы роя частиц и другие оптимизационные методы, основанные на физическом описании природных процессов. Такой подход помогал искать кандидатов точечно, когда было примерно понятно, где именно нужно искать. Но, как следствие, в этом случае был высок риск упустить из виду перспективного кандидата в новые материалы.
Распространенным и эффективным подходом было проектирование новых материалов по близкой аналогии с уже существующими. Но это часто приводило исследователей к материалам, похожим на те, которые у нас уже есть.
Чем так хорош искусственный интеллект
ИИ оказывается быстрее, если нужно найти какую-то специфическую информацию или быстро проанализировать большой объем данных. Он может предлагать гипотезы (иногда сомнительные, но все-таки), с помощью робототехники может даже сам проводить некоторые химические эксперименты.
Кроме того, методы машинного обучения позволяют создавать модели, которые учитывают огромное количество параметров материалов. После они дают исследователям возможность заглянуть в те части карты знаний, которые раньше были в силу разных причин недоступны ученым. Таким образом ИИ позволяет ученым находить поистине новые материалы.
Открытия новых материалов с помощью ИИ становятся одними из самых ярких научных новостей. Таким примером стали «невозможные» соли, которые были открыты группой Артема Оганова. А в ноябре 2023 года в журнале Nature вышли статьи, в которых ученые утверждали, что ИИ помог открыть миллионы новых материалов. Инструмент Google DeepMind помог исследователям обнаружить около 400 тысяч стабильных кристаллов.
ИИ ищет новые полимеры
Полимеры представляют собой длинные молекулы из повторяющихся элементов, которые мы используем в своей жизни ежедневно. Всего несколько полимеров с выдающимися свойствами полностью изменили мир. Без них не было бы полиэтиленовых пакетов, пластиковых бутылок и предметов мебели, многих современных клеев, лаков и красок, синтетических тканей, сковородок с тефлоновым покрытием и 3D-печати.
В 2024 году команда Рампи Рампрасада из Georgia Tech адаптировала ИИ-алгоритмы для «мгновенного» предсказывания свойств и формулы полимеров еще до того, как они будут физически созданы. Процесс начинается с определения нужных свойств или критериев, которые необходимо соблюсти для конкретного применения полимера в том или ином деле. Модели машинного обучения, обученные на существующих данных о свойствах материалов, прогнозируют новые полимеры с подходящими характеристиками.
После нужные соединения отбираются для синтеза в лаборатории и тестирования. Результаты экспериментов затем изучаются, интегрируются с исходными данными. Получается итеративный процесс обучения моделей. С помощью своей разработки ученые из Georgia Tech создали новые материалы, которые использовали для хранения энергии, улучшения технологий фильтрации и переработки пластмасс.
В марте 2023 года ученые с помощью ИИ нашли полимеры, которые имитируют плазму крови. Их, как оказалось, синтезировать гораздо проще, чем природные соединения. Это открытие было бы невозможно, если бы исследователи биоматериалов пошли привычным путем и имитировали структуру природных белков, построенных из всем известного набора аминокислот.
ИИ ускоряет поиск идеальных сплавов
Чистые металлы без каких-либо примесей по своим свойствам часто оказываются хуже, чем сплавы нескольких металлов или же металлы с добавлением таких элементов, как углерод или кремний. Так, чугун или сталь (сплавы железа с определенным содержанием углерода) демонстрируют гораздо более полезные для человека свойства нежели чистое железо.
Изменяя состав сплава, химики могут менять прочность, пластичность, температуру плавления, устойчивость к коррозии, электропроводность и другие характеристики сплавов. Методом проб и ошибок материаловеды веками искали сплавы с лучшими характеристиками. Однако экспериментировать таким образом дорого и долго, а результат не всегда очевиден.
Моделирование сильно облегчило жизнь ученых. Однако потребовались большие вычислительные мощности, так как приходилось учитывать огромное количество параметров. И тут на сцену снова выходит ИИ.
В сентябре 2024 года исследователи Национальной лаборатории Оук-Ридж в США рассказали о создании ИИ-модели, которая поможет найти новые сплавы, необходимые для экранирования в ядерном термоядерном реакторе. Машинное обучение активно используется для поиска более плотных и крепких сплавов, которые подходят для 3D-печати металлами.
А в феврале 2025 года ученые Сколтеха, МФТИ и нескольких иностранных университетов представили метод поиска новых материалов, который не упустит неожиданных кандидатов с выдающимися свойствами. В итоге они обнаружили 256 новых стабильных сплавов, которых не было в существующей базе данных (она активно используется промышленностью).
В последней работе изучались трехкомпонентные сплавы. Что же будет, если ИИ поможет исследовать сплавы с 10 и более составляющими? Тем временем российские ученые продолжают работу.
ИИ помогает создавать новые материалы для батарей
Сегодня аккумуляторы окружают нас повсюду. В основном это литий-ионные батареи, ключевым недостатком которых является… литий. Точнее, его добыча. Литий для батарей извлекается из «рассола», для создания которого требуются большие объемы воды. Кроме того, этот «рассол» обрабатывается токсичными химикатами, которые могут нанести вред окружающей среде. С ростом спроса и цен на этот химический элемент строится больше шахт по добыче, а существующие увеличивают производство. Также литий-ионные аккумуляторы несовершенны, могут перегреваться и даже взрываться. Поэтому ученые в постоянном поиске новых материалов для электролитов, на которые можно было бы заменить литий без ущерба для производительности.
В феврале 2024 года компания Microsoft и Национальной лаборатории США Pacific Northwest (PNNL) представили результаты 9-месячной работы, в ходе которой они с помощью ИИ отсортировали миллионы возможных материалов для электролитов и отобрали 18 подходящих кандидатов в твердые электролиты всего за три недели. По оценке Microsoft, на это ушло бы 20 лет, если бы химики использовали свои привычные подходы. В течение следующих месяцев материаловеды синтезировали нужные соединения, изучили их в лаборатории и сделали выводы о том, как дополнительно улучшить их свойства.
Чтобы получить такой впечатляющий результат, разработчики подразделения Microsoft Azure Quantum Elements создали «второго пилота» на основе искусственного интеллекта, который упростил для ученых разработку кода. Другие модели, обученные на научных данных, помогли исследователям предсказывать свойства малых молекул и материалов.
Брайан Абрахамсон, директор по цифровым технологиям в PNNL, отмечает, что конвергенция искусственного интеллекта, высокопроизводительных вычислений и доступа в облако дарит принципиально новые способы ускорения открытий — это смена парадигмы.
Компьютеры будущего ускорят открытие новых материалов
Одним из перспективных направлений, в котором, скорее всего, будет развиваться материаловедение, в ближайшие годы станет квантовое машинное обучение.
Квантовые компьютеры, или, как их называют сами физики, «квантовые вычислители», принципиально отличаются по своему строению от классических компьютеров. Квантовые компьютеры основаны на объектах, проявляющих квантовые свойства. Те же самые свойства приближенно моделируются в квантово-химических расчетах. Однако они уже есть в квантовых компьютерах «от природы». Все это делает квантовые компьютеры идеальной площадкой для моделирования и расчета свойств сложных многокомпонентных материалов будущего.
По мнению Александра Квашнина, руководителя Лаборатории промышленно-ориентированного поиска материалов в Сколтехе, квантовые компьютеры позволят значительно ускорить вычисления, которые сейчас проводятся на суперкомпьютерах.
Какие-то приближения, которые мы сегодня используем, уже будут заложены в саму сущность этих компьютеров.
Правда, для того, чтобы проводить подобные научные изыскания, нужно учесть, что квантовые компьютеры имеют другую архитектуру. То есть не получится просто перенести вычисления на «более мощный» квантовый компьютер. Для начала придется разрабатывать специализированные квантовые алгоритмы. А значит, для каждой задачи материаловедам нужно будет настраивать квантовые алгоритмы и алгоритмы машинного обучения под поставленные ими цели.
Будущее науки в эпоху тотального использования ИИ
Мы спросили у Александра Квашнина, насколько точны предсказания искусственного интеллекта сегодня.
Профессор пояснил, что в среднем точность довольна высокая. Зависит от конкретной системы и типа материалов, однако обычно прогнозируемый результат по свойствам на 90% совпадает с реальностью.
Получается, что уже сегодня ИИ оказывает значительную помощь ученым. Он помогает улучшать материалы, необходимые для хранения энергии, применяющиеся в аэрокосмической и автомобильной промышленности, позволяет создавать лучшую электронику. Все эти открытия представляют собой значительные достижения, которые наверняка сделают многие технологии и устройства более безопасными, снизят их стоимость и сделают наш мир немного более чистым, а жизнь экологичной.
Но можно ли сказать, что теперь ученые больше не нужны, а все научные эксперименты можно будет доверить нейросетям? Конечно же, нет.
Ни одна научная работа не была бы возможна, если бы не люди, которые годами изучают свою узкую область исследований. Ученые не просто обрабатывают результаты работы пока еще далекого от совершенства ИИ. Они глубоко разбираются в своей области, генерируют идеи и гипотезы, задают вектор для исследований, проверяют и осмысливают результаты, которые впоследствии закрывают белые пятна в разных областях науки. Без человека с его природным любопытством и тягой к новым знаниям научный поиск невозможен. В конце концов, нужно понимать, что и как спросить у модели, чтобы получить достойный ответ.
ИИ в умелых руках ускоряет процесс обнаружения материалов с нужными человеку свойствами. Однако, пока мы не вступили в эру «общего искусственного интеллекта», он не сможет заменить ученых. Но симбиоз людей и искусственного интеллекта значительно ускоряет разработку новых материалов, а значит, впереди нас ждет немало новых удивительных открытий. И, возможно, когда-нибудь ИИ сможет самостоятельно открывать новые материалы.