В течение сотен лет новые материалы находились путем проб и ошибок, или удачи и уверенности. А теперь ученые используют искусственный интеллект для ускорения процесса. Недавно исследователи из Северо-Западного университета использовали ИИ для выяснения того, как сделать новые гибридные материалы из металла и стекла в 200 раз быстрее, чем это происходит при экспериментах в лаборатории. Другие ученые создают базы данных, включающие в себя тысячи соединений, чтобы специальные алгоритмы могли предсказывать, какие из них нужно объединить, чтобы сформировать новые интересные материалы. Иные исследователи используют ИИ для публикации готовых «рецептов», как сделать эти материалы.

В прошлом ученые и инженеры смешивали материалы вместе, чтобы увидеть, что в итоге получается. Так был обнаружен, например, цемент. Со временем они узнали физические свойства различных соединений, но большая часть знаний все еще основывается на интуиции. «Если вы спросите, почему японская сталь была лучше других для изготовления клинков, я не думаю, что кто-нибудь мог бы вам ответить», — говорит Джеймс Уоррен, ученый из Национального института стандартов и технологий. «У них просто было ремесленническое понимание связи между удивительной внутренней структурой этой стали и ее свойствами».

Ножи из тамахаганэ — японской стали.

По словам Уоррена, вместо того, чтобы использовать ремесленнический опыт, мы можем использовать базы данных и вычисления, чтобы быстро и точно определить, что делает материал настолько крепким или легким, и это потенциально может привести к революции в промышленности. Время между обнаружением материала и его использованием в конечном продукте — например, в аккумуляторной батарее — может быть более 20 лет, добавляет он, и ускорение процесса неизбежно приведет нас к лучшим аккумуляторам и стеклам для мобильных телефонов, лучшим сплавам для ракет и лучшим датчикам для медицинских устройств. «Все, что сделано из материи, мы можем улучшить» — говорит Уоррен.

По словам Уоррена, для понимания того, как изготавливаются новые материалы, полезно подумать о материале не как ученый, а как повар. Допустим, что у вас есть яйцо, и вы настроены сделать что-то съедобное и твердое. Таковы свойства блюда, которое вы хотите, но как вам его приготовить? Чтобы создать структуру, где белок и желток твердые, вам нужен рецепт, который включает пошаговые инструкции по обработке яйца — в нашем случае его нужно варить определенное время. Материаловедение использует эти же понятия: если ученый хочет от материала определенных свойств (скажем, легкость и сопротивление на излом), он будет искать физические и химические структуры, которые создавали бы эти свойства, и процессы — такие как плавление или ковка металла — которые помогут в их создании.

Базы данных и вычисления могут помочь найти ответы. «Мы делаем достаточно сложные квантово-механические расчеты материалов, чтобы предсказать свойства возможного нового материала на компьютере, прежде чем он когда-либо будет создан в лаборатории», — говорит Крис Вулвертон, ученый из Северо-Западного университета. «Базы данных не полны, но они растут и уже дают нам захватывающие открытия».

Никола Марзари, исследователь из Швейцарской Политехнической Академии Лозанны, использовал базы данных для поиска 3D-материалов, которые можно отделить друг от друга так, чтобы создавать 2D-материалы толщиной всего лишь в один слой. Одним из примеров такого вещества является сильно разрекламированный графен, состоящий из одного слоя графита, материала в карандаше. Подобно графену, эти 2D-материалы могут иметь необычные свойства, такие как крепость на разрыв, которые они не имеют в своей трехмерной форме.


Аэрогель из графена — одно из самых легких веществ в мире.

У команды Марзари есть алгоритм «просеивания» информации из нескольких баз данных. Согласно более раннему исследованию, опубликованному в прошлом месяце в Nature Nanotechnology, из более чем 100 000 материалов алгоритм нашел около 2000, которые можно использовать как однослойные. Марзари, который руководит проектом Materials Cloud, говорит, что эти материалы являются «сокровищницей», потому что многие из них обладают свойствами, которые могут улучшить электронику. Часть из них очень хорошо проводят электричество, некоторые хорошо накапливают солнечную энергию: все это может быть полезно для создания новых типов полупроводников в компьютерах или для новых аккумуляторных батарей, поэтому следующим шагом будет более тщательное исследование возможных свойств этих материалов.

Работа Марзари является одним из примеров того, как ученые используют базы данных для прогнозирования, и какие соединения могут создавать новые интересные материалы. Однако эти предсказания все же должны быть подтверждены в лаборатории. И Марзари все равно должен был сказать, что его алгоритм вынужден следовать определенным правилам — например, искать слабые химические связи. Искусственный интеллект может создать «ярлык»: вместо того, чтобы программировать по определенным правилам, ученые могут сказать ИИ, что они хотят создать — например, сверхкрепкий материал — и ИИ подскажет ученым лучший эксперимент для создания нового материала.

Именно так Вулвертон и его команда в Северо-Западном университете использовали ИИ в своей работе, опубликованной в Science Advances. Исследователи были заинтересованы в создании новых металлических стекол, которые крепче и менее жесткие, чем обычные металл или стекло, и в один прекрасный день могут начать использоваться в телефонах и космических аппаратах.

Метод, который они использовали, аналогичен тому, как люди изучают новый язык, говорит соавтор исследования Апурва Мехта, ученый из Стэнфордского университета. Одним из способов изучения языка является банальное запоминание всех правил грамматики. «Но есть и другой способ обучения — это слушать и запоминать речь кого-то другого», — говорит Мехта. Их же подход был комбинацией этих двух способов. Во-первых, исследователи просмотрели опубликованные статьи, чтобы найти как можно больше данных о том, как сделаны различные типы металлических стекол. Затем они переделали эти «правила грамматики» в алгоритмы машинного обучения. После этого алгоритмы научили делать собственные предсказания о том, какая комбинация элементов создаст новую форму металлического стекла — подобно тому, как кто-то может улучшить свой французский, отправившись во Францию, а не бесконечно запоминая склонения и падежи. Затем команда Мехты проверила предложенные ИИ материалы в лабораторных экспериментах.

Ученые могут синтезировать и тестировать тысячи материалов за один раз. Но даже с такой скоростью банальный перебор был бы пустой тратой времени и, что главное — ресурсов. «Они не могут просто закинуть всю периодическую таблицу в свое оборудование», — говорит Вулвертон, поэтому роль ИИ состоит в том, чтобы «предложить несколько экспериментов с самым высоким шансом на успех». Процесс был не идеальным, и некоторые возможности — например, точное соотношение требуемых элементов — были отключены для упрощения, но ученые все же смогли сформировать новые металлические стекла. Кроме того, проведенные эксперименты означают, что у ученых теперь есть еще больше данных, чтобы вернуться к алгоритму и делать его умнее и умнее каждый раз.

Необычные свойства металлического стекла под напряжением.

Другим способом использования ИИ является создание «кулинарной книги», или сбор «рецептов» различных материалов. В двух работах, опубликованных в конце прошлого года, ученые из Массачусетского технологического института (МТИ) разработали систему машинного обучения, которая сканирует академические документы, чтобы выяснить, какие из них содержат инструкции для создания определенных материалов. Она смогла с точностью в 99% обнаружить, какие параграфы статьи включали в себя «рецепт», а с 86-процентной точностью — точные нужные слова в этом параграфе.

Команда МТИ теперь обучает ИИ быть еще более точным. Они хотели бы создать базу данных таких «рецептов» для всего научного сообщества, но им необходимо согласовывать работу с авторами всех этих научных документов, чтобы убедиться, что их коллекция не нарушает каких-либо соглашений. В конце концов, они также хотят научить систему читать статьи, а затем самостоятельно придумывать новые «рецепты».

«Одна из целей — найти более эффективные и экономичные способы изготовления материалов, которые мы уже производим», — говорит соавтор и специалист по материалам в МТИ Эльза Оливетти. «Другое вопрос — вот нужный материал, предсказанный ИИ. И как нам его лучше всего создать?»

Будущее ИИ и материаловедения выглядит многообещающим, но проблемы остаются. Во-первых, компьютеры просто не могут предсказать все. «В самих прогнозах есть ошибки, и мы часто работаем с упрощенной моделью материалов, которая не учитывает реальный мир», — говорит Марзари. «Существуют всевозможные факторы окружающей среды, такие как температура и влажность, которые влияют на поведение соединений. И большинство моделей не могут принять это во внимание».

Другая проблема заключается в том, что у нас по-прежнему не хватает данных о каждом соединении, а недостаток алгоритмов в том, что они не слишком умны. Тем не менее, Вулвертон и Мехта теперь заинтересованы в использовании своего метода для поиска других типов материалов, с похожими на металлические стекла свойствами. И они надеются, что когда-нибудь нам больше не понадобится человек, чтобы проводить эксперименты — этим будут заниматься ИИ и роботы. «Мы можем создать действительно полностью автономную систему без участия человека», — говорит Вулвертон.