Μέσα στα Εργαστήρια με Ενίσχυση από την Τεχνητή Νοημοσύνη: Μια Νέα Εποχή Ανακάλυψης Υλικών

Όπως και σε πολλές άλλες βιομηχανίες, η επιστήμη των υλικών βοηθιέται επίσης από την τεχνητή νοημοσύνη (AI).

Εδώ, οι αλγόριθμοι μηχανικής μάθησης (ML) αναλύουν τεράστιες βάσεις δεδομένων και αναζητούν μοτίβα για να προτείνουν υποσχόμενους υποψήφιους υλικούς σε ελάχιστο χρόνο, ενώ καταναλώνουν σημαντικά λιγότερους πόρους από τις μεθόδους δοκιμής και λάθους.

Το παραδοσιακό χειροκίνητο, ανθρώπινο έργο που αυξήθηκε με την έλευση των υπολογιστικών συστημάτων, τα οποία επιτρέπουν σύνθετους υπολογισμούς, επαναπροσδιορίζεται πλέον από αυτοματοποιημένες, παράλληλες και επαναλαμβανόμενες διαδικασίες που οδηγούνται από την τεχνητή νοημοσύνη, την προσομοίωση και την αυτοματοποίηση πειραμάτων. 

Η ωρίμανση της τεχνολογίας της τεχνητής νοημοσύνης, σε συνδυασμό με τις υψηλές επιδόσεις υπολογισμού και τις υβριδικές τεχνολογίες cloud, βοηθά την επιστήμη των υλικών να εισέλθει σε ένα νέο παράδειγμα που χαρακτηρίζεται από την ταχύτερη ανακάλυψη νέων υλικών, την προβλεπτική μοντελοποίηση των ιδιοτήτων των υλικών και την αυτονομική πειραματική διερεύνηση. 

Αυτή η μετατόπιση παραδείγματος επιτρέπει στους ερευνητές να μεταβούν από τις προσεγγίσεις δοκιμής και λάθους στο σχεδιασμό, μειώνοντας σημαντικά τους κύκλους ανάπτυξης και ανοίγοντας το δρόμο για προηγμένα υλικά σε εφαρμογές  ενέργειας, ηλεκτρονικής, υγείας και βιωσιμότητας.

Πρόσφατα, ερευνητές από το Πανεπιστήμιο της Βόρειας Καρολίνας έκαναν ένα σημαντικό βήμα πιο μπροστά, δημιουργώντας ένα αυτοοδηγούμενο εργαστήριο για να επιτύχουν ένα νέο άλμα στην αυτοματοποίηση του εργαστηρίου και να επιταχύνουν περαιτέρω την ανακάλυψη υλικών από τους επιστήμονες.

Το αυτοματοποιημένο εργαστήριο συλλέγει δέκα φορές περισσότερα δεδομένα από τις παραδοσιακές, χειροκίνητες μεθόδους. Με αυτόν τον τρόπο, οι ερευνητές μπορούν να διεξάγουν πειράματα χημείας σε πραγματικό χρόνο, économοντας χρόνο και πόρους ενώ επιτρέπουν γρηγορότερες ανακαλύψεις.

Οι νέες ανακαλύψεις στο εργαστήριο δεν θα χρειαστούν πλέον χρόνια· αντίθετα, βλέπουμε ένα μέλλον όπου οι εφευρέσεις θα συμβαίνουν σε ημέρες.

Ένα εργαστήριο με τεχνητή νοημοσύνη: Μαθήματα σε πραγματικό χρόνο για ανακαλύψεις σε πραγματικό χρόνο

Προκειμένου να ξεπεραστούν οι παγκόσμιες προκλήσεις στις καθαρές ενέργειες, την ευημερία των ανθρώπων και τη βιωσιμότητα, είναι κρίσιμο να γίνουν ταχείς ανακαλύψεις προηγμένων λειτουργικών υλικών. Η ανακάλυψη και η σύνθεση νέων υλικών είναι επίσης βασικές για τις καινοτόμες τεχνολογίες όπως οι μπαταρίες, οι μικροεπεξεργαστές, τα ηλιακά πάνελ και πολλά άλλα.

Ως αποτέλεσμα, 有一_lot έχει γίνει πρόοδος στις πλατφόρμες επιτάχυνσης υλικών και στα αυτοοδηγούμενα εργαστήρια.

Παρά την πρόοδο, η ικανότητα αυτών των πλατφορμών και εργαστηρίων να εξερευνήσουν σύνθετους χώρους παραμέτρων είναι περιορισμένη από τη χαμηλή пропύλη δεδομένων. Οι αργές μεταφορές και επεξεργασία δεδομένων οδηγούν σε μειωμένη παραγωγικότητα.

Έτσι, οι ερευνητές του Πανεπιστημίου NC State έχουν “παρουσιάσει δυναμικές πειράματα ροής ως στρατηγική εντατικοποίησης δεδομένων για τη σύνθεση ανόργανων υλικών εντός αυτοοδηγούμενων υγρών εργαστηρίων με τη συνεχή χαρτογράφηση μεταβατικών συνθηκών αντίδρασης σε ισοδύναμες συνθήκες σταθερής κατάστασης.”

Που δημοσιεύθηκε στην Nature Chemical Engineering¹, η μελέτη περιγράφει ένα εργαστήριο αυτοοδηγούμενο τελευταίας τεχνολογίας που χρησιμοποιεί πειράματα σε πραγματικό χρόνο για τη συνεχή συλλογή δεδομένων, καθιστώντας τσι την ανακάλυψη υλικών γρηγορότερη και πιο αποτελεσματική μειώνοντας ταυτόχρονα το κόστος και την περιβαλλοντική επίδραση.

Για το έργο τους, η μελέτη έλαβε υποστήριξη από το Εθνικό Ίδρυμα Επιστημών και το πρόγραμμα Πανεπιστημιακή Έρευνας και Ευκαιριών του Πανεπιστημίου της Βόρειας Καρολίνας.

Τώρα, τι σημαίνει η αυτοοδηγούμενη εργαστήρια (SDLs); Λοιπόν, αυτά είναι ρομποτικές πλατφόρμες που συνδυάζουν την τεχνητή νοημοσύνη και την αυτοματοποίηση με τη χημεία και τις επιστήμες των υλικών για να βρουν υλικά πιο γρήγορα. Σε αυτές τις πειραματικές πλατφόρμες με τη βοήθεια της τεχνητής νοημοσύνης, μια σειρά πειραμάτων, τα οποία επιλέγονται από τον αλγόριθμο της τεχνητής νοημοσύνης, διεξάγονται επαναλαμβανόμενα για την επίτευξη του προγραμματισμένου στόχου.

“Φανταστείτε αν οι επιστήμονες μπορούσαν να ανακαλύψουν επαναστατικά υλικά για καθαρή ενέργεια, νέες ηλεκτρονικές συσκευές ή βιώσιμες χημικές ουσίες σε λίγες μέρες αντί για χρόνια, χρησιμοποιώντας μόνο ένα κλάσμα των υλικών και παράγοντας πολύ λιγότερα απόβλητα από την τρέχουσα κατάσταση.”

– Συγγραφέας του άρθρου, Milad Abolhasani, Καθηγητής Χημείας και Βιομηχανικής του Πανεπιστημίου της Βόρειας Καρολίνας

Προσθέτει:

“Αυτό το έργο φέρνει αυτό το μέλλον ένα βήμα πιο κοντά.” 

Παρασταλώντας μια μετασχηματιστική προσέγγιση για την επιτάχυνση της επιστημονικής ανακάλυψης, τα αυτοοδηγούμενα εργαστήρια κερδίζουν δημοτικότητα στα πεδία της χημείας και της επιστήμης των υλικών. 

Τα αυτοοδηγούμενα εργαστήρια που χρησιμοποιούν συνεχείς αντιδραστήρες ροής συχνά βασίζονται σε πειράματα ροής σταθερής κατάστασης, όπου διαφορετικά προκαταλύτες συνδυάζονται πριν από τις χημικές αντιδράσεις και το μείγμα ρέει συνεχώς через ένα μικροκανάλι. 

Το προϊόν που βγαίνει από αυτό είναι τότε χαρακτηρισμένο από μια σειρά αισθητήρων μια φορά που η αντίδραση είναι ολοκληρωμένη.

“Αυτή η καθιερωμένη προσέγγιση στα αυτοοδηγούμενα εργαστήρια έχει έχει μια δραματική επίδραση στην ανακάλυψη υλικών,” σημείωσε ο Abolhasani, καθώς μοιράστηκε ότι αυτό έχει επιτρέψει στους επιστήμονες να “ταυτοποιήσουν υποσχόμενους υποψήφιους υλικών για συγκεκριμένες εφαρμογές σε λίγους μήνες ή εβδομάδες, αντί για χρόνια, μειώνοντας ταυτόχρονα το κόστος και την περιβαλλοντική επίδραση του έργου.” Αλλά δεν ήταν τέλειο με κανέναν τρόπο, με 여전히 περιοχές για βελτίωση.Συγκεκριμένα, η αδράνεια του συστήματος όταν λαμβάνει χώρα η χημική αντίδραση λαμβάνει χώρα πριν το αποτέλεσμα του υλικού να μπορεί να χαρακτηριστεί. Ο χρόνος αναμονής για τα αυτονομούσα εργαστήρια μπορεί να είναι μέχρι μία ώρα για κάθε πείραμα ροής σε σταθερή κατάσταση.

“Τώρα έχουμε δημιουργήσει ένα αυτονομούσα εργαστήριο που χρησιμοποιεί πειράματα δυναμικής ροής, όπου οι χημικές μεικτές ποικίλουν συνεχώς μέσω του συστήματος και παρακολουθούνται σε πραγματικό χρόνο.”

– Abolhasani 

Αυτό που σημαίνει είναι ότι εξαλείφουν τη διαδικασία εκτέλεσης ξεχωριστών δειγμάτων μέσω του συστήματος και δοκιμής κάθε εξ αυτών ενός κατά καιρό μετά την επίτευξη μιας κατάστασης. 

Αντίθετα, έχουν δημιουργήσει ένα σύστημα που απλά δεν σταματά να λειτουργεί. Τα δείγματα συνεχίζουν να κυκλοφορούν μέσω του συστήματος. Αυτό είναι γιατί “το σύστημα δεν σταματά ποτέ να χαρακτηρίζει το δείγμα” και ο ερευνητής μπορεί “να καταγράψει δεδομένα για το τι συμβαίνει στο δείγμα κάθε μισό δευτερόλεπτο”.

Η ενσωμάτωση των πειραμάτων δυναμικής ροής εντός των αυτονομουσών εργαστηρίων υγρών σηματοδοτεί μια απόκλιση από τις παραδοσιακές πειραματικές μεθόδους. 

Σε αντίθεση με τις συμβατικές προσεγγίσεις, όπου συλλέγονται απομονωμένα δεδομένα σε σταθερές συνθήκες, συλλέγονται υπό σταθερές συνθήκες, σε πειράματα δυναμικής ροής, αρχές μικρορευμάτων χρησιμοποιούνται για γρήγορη χαρτογράφηση των συνθηκών αντίδρασης.

Δημιουργώντας μια συνεχής ροή δεδομένων, επεκτείνει δραματικά τα προσβάσιμα πειραματικά δεδομένα.

Ο Abolhasani εικονογράφησε ότι η ομάδα τώρα παραλαμβάνει 20 δεδομένα σχετικά με το τι παράγει το πείραμα, ξεκινώντας από ένα μετά από 0,5 δευτερόλεπτα χρόνου αντίδρασης, μετά από ένα μετά από 1 δευτερόλεπτο χρόνου αντίδρασης, και così κ.λπ., σε αντίθεση με το ένα δεδομένο που θα παραλάμβανε μετά από 10 δευτερόλεπτα χρόνου αντίδρασης. Πρόσθεσε:

“Είναι σαν να μεταβαίνεις από μια seule λήψη σε μια πλήρη ταινία της αντίδρασης καθώς συμβαίνει. Αντί να περιμένεις κάθε πείραμα να ολοκληρωθεί, το σύστημά μας λειτουργεί πάντα, μαθαίνει πάντα.” 

Το να έχεις τόσο περισσότερα δεδομένα μπορεί να έχει τεράστια επίδραση στην απόδοση ενός εργαστηρίου που τροφοδοτείται από AI. Τα δεδομένα,毕竟, είναι το κλειδί για einen αλγόριθμο. Η AI είναι πεινασμένη για δεδομένα και με βάση τα δεδομένα που τροφοδοτείται, ο αλγόριθμος κάνει προβλέψεις.

Σύμφωνα με τον Abolhasani:

“Το πιο σημαντικό μέρος κάθε αυτονομούσα εργαστηρίου είναι ο αλγόριθμος μηχανικής μάθησης που το σύστημα χρησιμοποιεί για να προβλέψει ποιο πείραμα πρέπει να διεξαχθεί επόμενο.” 

Ως εκ τούτου, η προσέγγιση δεδομένων ροής επιτρέπει στον εγκέφαλο ML του αυτονομούσα εργαστηρίου να λάβει όχι μόνο ταχύτερες αλλά και πιο έξυπνες αποφάσεις, “εστιάζοντας σε ιδανικά υλικά και διαδικασίες σε μια κλάσμα του χρόνου”.

Η ποιότητα των δεδομένων καθορίζει επίσης την ακρίβεια των προβλέψεων. Έτσι, έχοντας περισσότερα υψηλής ποιότητας πειραματικά δεδομένα, ο αλγόριθμος μπορεί να κάνει πιο ακριβείς προβλέψεις, και τότε μπορεί να λύσει ένα πρόβλημα γρηγορότερα. 

“Αυτό έχει το πρόσθετο πλεονέκτημα της μείωσης της ποσότητας των χημικών που απαιτούνται για να φτάσουν σε μια λύση.” 

– Abolhasani

Για να δείξουν τις ικανότητες του συστήματός τους, η ομάδα εφαρμόστηκε πειράματα δυναμικής ροής σε κολλοειδή κβαντικά σημεία CdSe. Αυτό χρησιμοποιήθηκε ως δοκιμαστική βάση λόγω του καθεστώτος ως ενός καλά καθορισμένου ανόργανου συστήματος με πλούσιες εξαρτήσεις παραμέτρων αλλά και σημαντικό τεχνολογικό δυναμικό.

Σε αυτή την περίπτωση, η ομάδα βρήκε ότι το εργαστήριο τους, το οποίο ενσωματώνει ένα δυναμικό σύστημα ροής, πέτυχε “μια βελτίωση τάξης μεγέθους στην απόδοση συλλογής δεδομένων”.Αυτό αποδίδει τουλάχιστον 10 φορές περισσότερα δεδομένα από άλλα εργαστήρια αυτονομίας που χρησιμοποιούν πειράματα ροής σταθερής κατάστασης. Επιπλέον, μια φορά που εκπαιδεύτηκε, το εργαστήριο αυτονομίας ήταν σε θέση να ανακαλύψει τους καλύτερους υποψήφιους στην πρώτη του προσπάθεια.

Αυτή η đột破, όπως είπε ο Abolhasani, “δεν αφορά μόνο την ταχύτητα”, αλλά την επίτευξη βιωσιμότητας. Μειώνοντας τον απαιτούμενο αριθμό πειραμάτων, το σύστημα μειώνει σημαντικά τόσο την κατανάλωση χημικών όσο και τα απόβλητα, προωθώντας πιο βιώσιμες ερευνητικές πρακτικές. Ο Abolhasani είπε:

“Το μέλλον της ανακάλυψης υλικών δεν αφορά μόνο πόσο γρήγορα podemos να προχωρήσουμε, αλλά και πόσο υπεύθυνα φτάνουμε εκεί. Η προσέγγισή μας σημαίνει λιγότερα χημικά, λιγότερα απόβλητα και γρηγορότερες λύσεις για τις πιο δύσκολες προκλήσεις της κοινωνίας.”

Η Εκτεταμένη Ρόλος της Τεχνητής Νοημοσύνης στη Επιστήμη των Υλικών: Εξαιρετικές Πρόσφατες Ανακαλύψεις

Η Τεχνητή Νοημοσύνη μεταμορφώνει τις βιομηχανίες σε όλο τον κόσμο, και αυτό περιλαμβάνει την επιστήμη των υλικών, η οποία είναι θεμελιώδης για πολλές τεχνολογικές καινοτομίες και κοινωνικές προκλήσεις. 

Ως αποτέλεσμα, η χρήση της Τεχνητής Νοημοσύνης στην ανακάλυψη και ανάπτυξη νέων υλικών έχει γίνει για πολλά χρόνια τώρα, αλλά έχει βέβαια κερδίσει έδαφος τα τελευταία χρόνια, καθώς η τεχνολογία γίνεται πιο προηγμένη και ικανή. 

“Με τη συνεχιζόμενη ανάπτυξη, περιμένουμε ότι η ρομποτική και η αυτοματοποίηση θα βελτιώσουν την ταχύτητα, την ακρίβεια και την αναπαραγωγιμότητα των πειραμάτων σε διάφορα όργανα και επιστήμες, παράγοντας τα δεδομένα που τα συστήματα τεχνητής νοημοσύνης μπορούν να αναλύσουν για να οδηγήσουν περαιτέρω πειράματα.“

– Ο Δρ. Τζέιμς Κάχουν, συνσυγγραφέας του άρθρου ‘Μετατρέποντας τα Εργαστήρια Επιστημών σε Αυτοματοποιημένα Εργοστάσια Ανακάλυψης.^2′

Με αυτό, ας ρίξουμε μια ματιά σε κάποια βασικά βήματα που έχουν γίνει στην επιστήμη των υλικών φέτος σε διάφορες εφαρμογές.

Για αρχή, όπως το μοιραστήκαμε πρόσφατα, με τη βοήθεια της Τεχνητής Νοημοσύνης, οι επιστήμονες έχουν能够 να σχεδιάσουν σύνθετα, 3D θερμικά μετα-εκπομπός που μπορούν να μειώσουν τις εσωτερικές θερμοκρασίες και να βοηθήσουν να εξοικονομήσουν ενεργειακούς κόστους. Το υλικό που δημιουργήθηκε με μια καινούρια σχεδιασμένη τεχνική ML μπορεί να βρει εφαρμογές σε κατοικίες και εμπορικά κτίρια, διαστημικά οχήματα, υφάσματα και текстиλία, αυτοκίνητα και άλλα.

“Αυτοματοποιώντας τη διαδικασία και επεκτείνοντας τον σχεδιαστικό χώρο, μπορούμε να δημιουργήσουμε υλικά με υπεροχή απόδοση που ήταν προηγουμένως αδιανόητα.“

– Ο συν-επικεφαλής της μελέτης, Yuebing Zheng

Ανάπτυξη Νέων Μεταλλικών Υλικών με Υπεροχή Ισχύ

Πριν από quelques μήνες, οι επιστήμονες ανέφεραν χρησιμοποιώντας Τεχνητή Νοημοσύνη για να σχεδιάσουν ένα νέο MPEA ή πολλαπλά κύρια στοιχείο κράματα, τα οποία βρίσκονται σε αεροσκάφη, καταλύτες και αντικαταστάσεις γονάτων.

Το καινούριο σχεδιασμένο MPEA έρχεται με υπεροχή μηχανικές ιδιότητες, τις οποίες ο Sanket Deshmukh, αναπληρωτής καθηγητής χημικής μηχανικής στο Virginia Tech, είπε, “αποδεικνύει πώς τα πλαίσια και η εξηγήσιμη Τεχνητή Νοημοσύνη μπορούν να ξεκλειδώσουν νέες δυνατότητες στη σχεδίαση υλικών.“

Για να ερμηνεύσουμε την ανάλυση που έγινε από το μοντέλο Τεχνητής Νοημοσύνης, ο Deshmukh και η ομάδα του χρησιμοποίησαν την ανάλυση SHAP (SHapley Additive exPlanations), η οποία έδωσε την δυνατότητα να κατανοήσουν πώς τα διάφορα στοιχεία και τα τοπικά περιβάλλοντα επηρεάζουν τις ιδιότητες των MPEA, σε συνέπεια, παρέχοντας περισσότερη ενημέρωση και ακριβείς προβλέψεις.Εκτός από την επιτάχυνση της ανακάλυψης προηγμένων μεταλλικών κραμάτων, ο Deshmukh πιστεύει ότι η ενσωμάτωση του ML με αλγορίθμους εξέλιξης και πειραματική επαλήθευση μπορεί επίσης να μας βοηθήσει να δημιουργήσουμε εργαλεία που “μπορούν να επεκταθούν σε σύνθετα συστήματα υλικών όπως τα γλυκοϋλικά – πολυμερικά υλικά που περιέχουν υδατάνθρακες.”

Αποκάλυψη των Μυστικών της Ανάπτυξης των Δενδριτικών σε Λεπτές Μεμβράνες

Η ερευνά³ από το Πανεπιστήμιο Επιστημών της Τόκιο (TUS) έχει αναπτύξει ένα εξηγητό μοντέλο AI που προβλέπει την ανάπτυξη των δενδριτικών (δενδριτικής μορφής) σε λεπτές μεμβράνες, το οποίο είναι ένα σημαντικό εμπόδιο στην μεγάλης κλίμακας κατασκευή τους και περιορίζει την εμπορική τους εκμετάλλευση.

Αποκαλύπτοντας τις συγκεκριμένες συνθήκες και τους μηχανισμούς πίσω από την δενδριτική διακλάδωση, το μοντέλο AI βοηθά στην βελτίωση της διαδικασίας ανάπτυξης των λεπτών μεμβρανών. Τα συσκευές λεπτών μεμβρανών είναι κρίσιμες στις τεχνολογίες όπως οι ημιαγωγοί.

Το καινοτόμο μοντέλο AI ενσωμάτωσε τη μέθοδο μηχανικής μάθησης που ονομάζεται ανάλυση κύριων συνιστωσών (PCA) και την τεχνική τοπολογίας που ονομάζεται ομοιομορφική ομολογία με ανάλυση ελεύθερης ενέργειας. 

“Με την ενσωμάτωση της τοπολογίας και της ελεύθερης ενέργειας, η μέθοδός μας προσφέρει μια ευέλικτη προσέγγιση για την ανάλυση των υλικών. Μέσω αυτής της ενσωμάτωσης, μπορούμε να καθορίσουμε μια ιεραρχική σύνδεση μεταξύ μικροδομών σε ατομική κλίμακα και μακροσκοπικών λειτουργιών σε ένα ευρύ φάσμα υλικών, ανοίγοντας τον δρόμο για μελλοντικές προόδους στην επιστήμη των υλικών.“

– Ο καθηγητής Masato Kotsugi από το Τμήμα Επιστήμης και Τεχνολογίας Υλικών στο TUS

Αποκτώντας μια Καλύτερη Κατανόηση των Νανοσωματιδίων

Μια ομάδα επιστημόνων από πολλά πανεπιστήμια συνεργάστηκαν για να αναπτύξουν μια μέθοδο⁴ για να κατανοήσουν καλύτερα την δυναμική συμπεριφορά των νανοσωματιδίων, τα οποία είναι τα δομικά στοιχεία της ηλεκτρονικής, των φαρμάκων και των βιομηχανικών υλικών.

Συγχώνευσε την ηλεκτρονική μικροσκοπία με το AI για να οπτικοποιήσει τις δομές και τις κινήσεις των μορίων σε μια άνευ προηγουμένου χρονική ανάλυση.

Όπως εξήγησε ο Peter A. Crozier, καθηγητής επιστήμης και μηχανικής υλικών στο Πανεπιστήμιο της Αριζόνας:

“Η ηλεκτρονική μικροσκοπία μπορεί να καταγράψει εικόνες σε υψηλή χωρική ανάλυση, αλλά λόγω της ταχύτητας με την οποία αλλάζει η ατομική δομή των νανοσωματιδίων κατά τη διάρκεια χημικών αντιδράσεων, χρειαζόμαστε να συλλέξουμε δεδομένα σε πολύ υψηλή ταχύτητα για να κατανοήσουμε τη λειτουργικότητά τους.”

Για να μετριάσει αυτό το θόρυβο, ανέπτυξαν μια μέθοδο AI που αφαιρεί αυτόματα τον θόρυβο, “ενεργοποιώντας την οπτικοποίηση των κλειδιών ατομικής-επιπέδου δυναμικής.”

Εν τω μεταξύ, μια ερευνητική ομάδα από το Πανεπιστήμιο Τεχνολογίας της Γκρατς χρησιμοποιεί το AI για να κατασκευάσει νανοδομές σε ένα νέο επίπεδο.

Για αυτό, αναπτύσσουν ένα αυτο-μαθainόμενο σύστημα AI που τοποθετεί αυτόματα τα ατομικά μόρια γρήγορα και στη σωστή πρόσθεση χρησιμοποιώντας σαρωτικές σonde μικροσκοπίες, μια διαδικασία που είναι δύσκολη και χρονοβόρα, για να επιτρέψει την κατασκευή “πολύ σύνθετων μοριακών δομών, συμπεριλαμβανομένων κυκλωμάτων λογικής σε νανομετρική κλίμακα.“Ο στόχος είναι να κατασκευαστούν τελικά κβαντικά κλουβιά, τα οποία είναι νανοδομές με σχήμα πύλης που μπορούν να παγιδεύσουν ηλεκτρόνια και να τα χρησιμοποιήσουν για την κατασκευή κυκλωμάτων λογικής για να μελετήσουν πώς λειτουργούν στο μοριακό επίπεδο. 

Ανακάλυψη Καλύτερων Υλικών Φωτοβολταϊκής Tecnology

Μια βιώσιμη εναλλακτική λύση για τις συμβατικές солнικές κυψέλες με βάση το πυρίτιο, οι солнικές κυψέλες perovskite δείχνουν μεγάλη υπόσχεση ως τεχνολογία φωτοβολταϊκής της επόμενης γενιάς για τη μετατροπή του ηλιακού φωτός σε ηλεκτρική ενέργεια. 

Η αποτελεσματικότητά τους μπορεί να αυξηθεί περαιτέρω μέσω μορίων που μεταφέρουν θετικές φορτίσεις, αλλά υπάρχουν εκατομμύρια διαφορετικά μόρια, που σημαίνει ότι η σύνθεση και ο έλεγχος όλων τους.  Ωστόσο, με τη χρήση της τεχνητής νοημοσύνης με αυτοματοποιημένη σύνθεση υψηλής απόδοσης, μια ομάδα ερευνητών από το Ινστιτούτο Τεχνολογίας της Καρλσρούης (KIT) ήταν σε θέση να ανακαλύψει νέα οργανικά μόρια⁵ σε λίγες εβδομάδες, με μόνο 150 στοχευμένες πειραματικές δοκιμές.

Τα νεοανακαλυφθέντα υλικά αυξάνουν επίσης την αποτελεσματικότητα μιας αναφοράς солнικής κυψέλης κατά περίπου δύο ποσοστιαίες μονάδες.

Για αυτό, οι επιστήμονες στράφηκαν σε μια βάση δεδομένων με ένα εκατομμύριο εικονικά μόρια και τυχαία επέλεξαν 13.000 από αυτά πριν επιλέξουν 101 από αυτά. Τα επιλεγμένα είχαν τις μεγαλύτερες διαφορές στις ιδιότητές τους, και αυτά συνθέθηκαν με ρομποτικά συστήματα πριν χρησιμοποιηθούν για την παραγωγή солнικών κυψελών.

Θέτοντας τις Βάσεις για την Ανακάλυψη Υλικών με Τεχνητή Νοημοσύνη

Ενώ όλες αυτές οι ανακαλύψεις γίνονται, για την τεχνητή νοημοσύνη να πραγματοποιήσει πραγματικά , χρειάζεται δεδομένα. Αυτό περιλαμβάνει δεδομένα για τα υλικά, καθώς και δεδομένα από μεγάλης κλίμακας προσομοιώσεις. 

Ενώ πολλές τέτοιες βάσεις δεδομένων είναι διαθέσιμες, είναι αρκετά απομονωμένες, ως εκ τούτου, χρειάζονται ένα τυποποιημένο “ώστε οι χρήστες να μπορούν να επικοινωνούν με όλες αυτές τις βιβλιοθήκες δεδομένων και να κατανοούν τις πληροφορίες που λαμβάνουν,“ σημείωσε ο Gian-Marco Rignanese, καθηγητής στο Ινστιτούτο Συμπυκνωμένης Ύλης και Νανοεπιστημών στο UCLouvain στο Βέλγιο.

Έτσι, το προηγούμενο καλοκαίρι, μια μεγάλη διεθνής συνεργασία έκδωσε μια επεκταμένη έκδοση του προτύπου OPTIMADE για να διευκολύνει την ανακάλυψη υλικών με τεχνητή νοημοσύνη.

Το πρότυπο OPTIMADE (Ανοιχτές βάσεις δεδομένων ολοκλήρωσης για σχεδιασμό υλικών) υποστηρίζεται από ένα μεγάλο διεθνές δίκτυο ιδρυμάτων και βάσεων δεδομένων υλικών.Με σκοπό να δώσει στους χρήστες ευκολότερη πρόσβαση σε ведущες καθώς και λιγότερο γνωστές βάσεις δεδομένων υλικών, μια νέα έκδοση του παρουσιάστηκε που μπορεί να επιταχύνει περαιτέρω την ανακάλυψη υλικών με τεχνητή νοημοσύνη.Με το σκοπό να δώσει στους χρήστες ευκολότερη πρόσβαση σε ведущες καθώς και λιγότερο γνωστές βάσεις δεδομένων υλικών, μια νέα έκδοση του παρουσιάστηκε που μπορεί να επιταχύνει περαιτέρω την ανακάλυψη υλικών με τεχνητή νοημοσύνη.

Επένδυση σε AI για Ανακάλυψη Υλικών

Όταν εξετάζουμε την επένδυση Alphabet Inc. (GOOGL ) που κατέχει την Google είναι μια από τις εταιρείες που έχει κυκλοφορήσει ένα εργαλείο AI που ονομάζεται Gnome. Έχει αναφέρει την ανακάλυψη 2,2 εκατομμυρίων νέων κρυστάλλων με αυτό. Τότε υπάρχει Microsoft (MSFT ), η οποία έχει εισαγάγει τα MatterGen και MatterSim για τη δημιουργία νέων υποψήφιων υλικών και την επικύρωση τους.

Αλλά υπάρχει ένας άλλος γίγαντας του AI που έχει κυκλοφορήσει το δικό του μοντέλο για την αναβάθμιση της κλίμακας και της ακρίβειας της έρευνας υλικών.

NVIDIA Corporation (NVDA )

Αυτή είναι η αγαπημένη του AI, η Nvidia. Τον τελευταίο χρόνο, η εταιρεία εισήγαγε το NVIDIA ALCHEMI (Εργαστήριο AI για Χημεία και Καινοτομία Υλικών).

Η πλατφόρμα έχει ως στόχο την επιτάχυνση της έρευνας και ανάπτυξης στη χημεία και την επιστήμη των υλικών μέσω της δύναμης του AI, και για να το πετύχει, περιλαμβάνει API και επιταχυνόμενες υπηρεσίες inference. Αυτό θα επιτρέψει τη δημιουργία και ανάπτυξη γενετικών μοντέλων AI για την εξερεύνηση του τεράστιου σύμπαντος των υλικών και την πρόταση νέων υποψήφιων, και την ανάπτυξη και χρήση των μοντέλων αντικατάστασης για να επιτύχει μια ισορροπία μεταξύ του κόστους υπολογισμού και ακρίβειας. Θα επιτρέψει επίσης την πρόσβαση σε εργαλεία informatics και προ-εκπαιδευμένα μοντέλα για ταχεία οθόνη και εργαλεία προσομοίωσης για την εκπαίδευση και βελτίωση των μοντέλων AI για νέες περιπτώσεις χρήσης.

Μέσω του ALCHEMI, η NVIDIA στοχεύει στην επιτάχυνση της διαδικασίας ανακάλυψης και την “εισαγωγή μιας νέας εποχής ανακαλύψεων που θα οδηγήσει σε ένα πιο βιώσιμο, υγιέστερο μέλλον.”

Η Nvidia είναι μια εταιρεία με μετοχική κεφαλαιοποίηση 4,22 τρισεκ. δολαρίων, των οποίων οι μετοχές giaoνονται γύρω στα 173,5 δολάρια, με αύξηση 28,8% από την αρχή του έτους. Το EPS (TTM) είναι 3,10, το P/E (TTM) είναι 55,73 και το ποσοστό μερίσματος που προσφέρεται είναι 0,02%.

Τελευταίες Ειδήσεις και Εξελίξεις για τις Μετοχές της NVIDIA Corporation (NVDA)

Συμπέρασμα

Όπως η τεχνητή νοημοσύνη, η αυτοματοποίηση και η υπολογιστική υψηλής απόδοσης ενώνονται, η επιστήμη των υλικών εισέρχεται στην πιο μεταμορφωτική εποχή της, σηματοδοτώντας μια πολύ αναγκαία μετατόπιση από την humano-οδηγούμενη δοκιμή και λάθος προς, αυτονομική ανακάλυψη.

Εν μέσω αυτού, τα εργαστήρια που τροφοδοτούνται από τεχνητή νοημοσύνη και οι αυτοοδηγούμενες πειραματικές πλατφόρμες αλλάζουν πλήρως τον τρόπο με τον οποίο οι επιστήμονες δεν μόνο ανακαλύπτουν αλλά και δοκιμάζουν και βελτιώνουν τα υλικά. Επιπλέον, με πρωτοβουλίες όπως το ALCHEMI της NVIDIA, το Gnome της Google και το MatterGen της Microsoft, οι μεγάλες τεχνολογικές εταιρείες επίσης στοιχηματίζουν στην τεχνητή νοημοσύνη για να τροφοδοτήσουν την επόμενη κυματική καινοτομίας!

Κάντε κλικ εδώ για να μάθετε όλα σχετικά με την επένδυση στην τεχνητή νοημοσύνη.

Αναφορές:

1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, R. B.; Bennett, J. A.; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, E. A.; Sadeghi, S.; Bateni, F.; Abolhasani, M. Flow‑Driven Data Intensification to Accelerate Autonomous Inorganic Materials Discovery. Nature Chemical Engineering, δημοσιευμένοออนไลน στις 14 Ιουλίου 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Transforming Science Labs into Automated Factories of Discovery. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Tone, M.; Sato, S.; Kunii, S.; Obayashi, I.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, A. L.; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, P. R.; Matsuda, I.; Kotsugi, M.; et al. Linking Structure and Process in Dendritic Growth Using Persistent Homology with Energy Analysis. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Article 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, P. A.; Leibovich, M.; Haluai, P.; Tan, M.; Thomas, A. M.; Vincent, J.; Mohan, S.; Morales, A. M.; Kulkarni, S. A.; Matteson, D. S.; Wang, Y.; Fernandez‑Granda, C. Visualizing Nanoparticle Surface Dynamics and Instabilities Enabled by Deep Denoising. Science 2025, 387 (6737), 949–954. https://doi.org/10.1126/science.ads2688
5. Wu, J.; Torresi, L.; Hu, M.; Reiser, P.; Zhang, J.; Rocha‑Ortiz, J. S.; Wang, L.; Xie, Z.; Zhang, K.; Park, B.‑W.; Barabash, A.; Zhao, Y.; Luo, J.; Wang, Y.; Lüer, L.; Deng, L.‑L.; Hauch, J. A.; Guldi, D. M.; Pérez‑Ojeda, M. E.; Seok, S. I.; Friederich, P.; Brabec, C. J. Inverse Design Workflow Discovers Hole‑Transport Materials Tailored for Perovskite Solar Cells. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901