Modeli umjetne inteligencije koji pretvaraju tekst u slike također su korisni za generiranje novih materijala. Tijekom posljednjih nekoliko godina, generativni modeli materijala iz tvrtki poput Googlea, Microsofta i Mete oslanjali su se na svoje podatke za obuku kako bi pomogli istraživačima u dizajniranju desetaka milijuna novih materijala.
Međutim, kada je riječ o dizajniranju materijala s egzotičnim kvantnim svojstvima, kao što su superprovodljivost ili jedinstvena magnetska stanja, ti modeli se suočavaju s izazovima. To je šteta, jer bi ljudima bila potrebna pomoć. Na primjer, nakon deset godina istraživanja klase materijala koji bi mogli revolucionirati kvantno računalstvo, poznatih kao kvantne spin tekućine, identificirano je samo nekoliko kandidata za materijale. Ova uska grla znače da postoji manje materijala koji mogu poslužiti kao osnova za tehnološke proboje.
Sada su istraživači s MIT-a razvili tehniku koja omogućava popularnim generativnim modelima materijala da stvaraju obećavajuće kvantne materijale slijedeći specifična pravila dizajna. Ta pravila, ili ograničenja, usmjeravaju modele da stvaraju materijale s jedinstvenim strukturama koje dovode do kvantnih svojstava.
„Modeli iz ovih velikih tvrtki generiraju materijale optimizirane za stabilnost“, kaže Mingda Li, profesor na MIT-u. „Naš je stav da to obično nije način na koji se napreduje u znanosti o materijalima. Ne trebamo 10 milijuna novih materijala da bismo promijenili svijet. Potrebno nam je samo jedan stvarno dobar materijal.“
Ovaj pristup opisan je u članku 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.
„Ljudi u kvantnoj zajednici jako cijene ova geometrijska ograničenja, poput Kagome rešetki koje se sastoje od dva preklapajuća, okrenuta trokuta. Stvorili smo materijale s Kagome rešetkama jer ti materijali mogu oponašati ponašanje rijetkih zemnih elemenata, pa su od velike tehničke važnosti“, dodaje Li.
Li je glavni autor ovog rada. Njegovi suradnici s MIT-a uključuju doktorande Ryotara Okabea, Mouyanga Chenga, Abhijatmedhija Chotrattanapituka i Denisse Cordova Carrizales; postdoktoranda Manasi Mandala; studente Kiran Maka i Bowena Yua; gostujućeg znanstvenika Nguyena Tuana Hunga; Xianga Fua ’22, PhD ’24; te profesora elektrotehnike i računalnih znanosti Tommija Jaakkole, koji je član Računalnog znanstvenog i laboratorija umjetne inteligencije (CSAIL) i Instituta za podatke, sustave i društvo. Dodatni suradnici uključuju Yao Wanga s Emory University, Weiwei Xie s Michigan State University, YQ Chenga iz Oak Ridge National Laboratory i Roberta Cavu s Princeton University.
Usmjeravanje modela prema utjecaju
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 superprovodnike na visokim temperaturama, dok druge forme poznate kao Kagome i Lieb rešetke mogu podržati stvaranje materijala koji bi mogli biti korisni za kvantno računalstvo.
Kako bi popularnoj klasi generativnih modela poznatih kao modeli difuzije omogućili proizvodnju materijala koji se pridržavaju određenih geometrijskih obrazaca, istraživači su stvorili SCIGEN (skraćeno od Structural Constraint Integration in GENerative model). SCIGEN je računalni kod koji osigurava da modeli difuzije poštuju korisnički definirana ograničenja u svakom koraku generacije. Uz SCIGEN, korisnici mogu dati bilo kojem generativnom AI modelu difuzije geometrijska strukturna pravila koja treba slijediti dok generira materijale.
AI modeli difuzije rade tako da uzimaju uzorke iz svog skupa podataka za obuku kako bi generirali strukture koje odražavaju raspodjelu struktura pronađenih u skupu podataka. SCIGEN blokira generacije koje se ne usklađuju s strukturnim pravilima.
Testiranje SCIGEN-a
Kako bi testirali SCIGEN, istraživači su ga primijenili na popularni AI model za generiranje materijala poznat kao DiffCSP. Imali su model opremljen SCIGEN-om da generira materijale s jedinstvenim geometrijskim obrascima poznatim kao Arhimedove rešetke, koje su zbirke 2D rešetkastih ploha različitih poligona. Arhimedove rešetke mogu dovesti do niza kvantnih fenomena i bile su predmet mnogih istraživanja.
„Arhimedove rešetke daju rise kvantnim spin tekućinama i takozvanim ravnim trakama, koje mogu oponašati svojstva rijetkih zemnih elemenata bez rijetkih zemnih elemenata, pa su izuzetno važne“, kaže Cheng, korespondentni autor rada. „Drugi materijali s Arhimedovim rešetkama imaju velike pore koje bi se mogle koristiti za hvatanje ugljika i druge primjene, pa je to zbirka posebnih materijala. U nekim slučajevima, ne postoje poznati materijali s tom rešetkom, pa mislim da će biti jako zanimljivo pronaći prvi materijal koji odgovara toj rešetki.“
Model je generirao više od 10 milijuna kandidata za materijale s Arhimedovim rešetkama. Jedan milijun tih materijala prošlo je screening za stabilnost. Koristeći superračunala u Oak Ridge National Laboratory, istraživači su zatim uzeli manji uzorak od 26,000 materijala i proveli detaljne simulacije kako bi razumjeli kako se ponašaju temeljni atomi materijala. Istraživači su otkrili magnetizam u 41 posto tih struktura.
Iz tog podskupa, istraživači su sintetizirali dva prethodno neotkrivena spoja, TiPdBi i TiPbSb, u laboratorijima Xie i Cave. Naknadni eksperimenti pokazali su da su predikcije AI modela u velikoj mjeri bile usklađene s stvarnim svojstvima materijala.
„Željeli smo otkriti nove materijale koji bi mogli imati ogroman potencijalni utjecaj uključivanjem ovih struktura za koje je poznato da daju kvantna svojstva“, kaže Okabe, prvi autor rada. „Već znamo da ti materijali s određenim geometrijskim pravilima mogu otvoriti vrata novim tehnologijama.“
Zaključak
Razvoj novih materijala putem generativnih AI modela predstavlja značajan korak naprijed u znanosti o materijalima. Tehnike poput SCIGEN-a omogućuju istraživačima da preciznije usmjere svoje napore prema stvaranju materijala s specifičnim kvantnim svojstvima. Ova inovacija može otvoriti vrata novim tehnologijama i revolucionirati industrije poput kvantnog računalstva i energetike.
Najčešća pitanja (FAQ)
Što su generativni modeli materijala?
Generativni modeli materijala su algoritmi umjetne inteligencije koji koriste podatke za obuku kako bi stvorili nove materijale s određenim svojstvima ili strukturama.
Kako SCIGEN poboljšava generativne modele?
SCIGEN omogućava generativnim modelima da slijede specifična geometrijska pravila, što povećava vjerojatnost stvaranja materijala s egzotičnim kvantnim svojstvima.
Koje su prednosti korištenja AI u znanosti o materijalima?
Korištenje AI može ubrzati proces otkrivanja novih materijala, smanjiti troškove istraživanja i omogućiti preciznije predikcije o svojstvima materijala.
Koje su primjene kvantnih materijala?
Kvantni materijali imaju potencijalne primjene u kvantnom računalstvu, energetici, elektronici i mnogim drugim industrijama.
Kako se testiraju novi materijali?
Novi materijali se testiraju kroz simulacije i eksperimentalne metode kako bi se utvrdila njihova svojstva i stabilnost.
