Чи справді штучний інтелект відкриває нові матеріали?

Останні повідомлення про те, що штучний інтелект “відкрив” нові матеріали, варто читати уважно. У більшості випадків ідеться не про готовий матеріал для батареї, сенсора чи електронного пристрою, а про значно раніше місце в науковому ланцюгу — комп’ютерне передбачення матеріалу-кандидата.

ШІ справді вже став потужним інструментом цифрового матеріалознавства. Він може швидко переглядати величезний простір можливих хімічних складів і кристалічних структур, відсіювати малоймовірні варіанти та пропонувати ті, які мають шанс бути стабільними. Найвідоміший приклад — система GNoME від Google DeepMind. У публікації в Nature повідомлено, що за допомогою моделей глибокого навчання було знайдено 2,2 млн кристалічних структур, стабільних відносно даних Materials Project, а 381 тис. структур потрапили на оновлену convex hull як нові стабільні матеріали-кандидати. Це дуже великий крок для матеріалознавства, але не автоматичне підтвердження існування всіх цих матеріалів у лабораторії. (Nature)

Ключове слово тут — “кандидат”. У цифровому матеріалознавстві стабільність найчастіше означає термодинамічну стабільність, оцінену обчислювально. Матеріал порівнюють з іншими можливими фазами в тій самій хімічній системі. Якщо його енергія є достатньо низькою, він вважається стабільним або близьким до стабільного. Але така оцінка залежить від моделі, набору даних, параметрів розрахунку та точності DFT-підходу. Вона не гарантує, що матеріал легко синтезувати, що він буде чистим, довговічним, дешевим або придатним для конкретного технологічного застосування.

Тому правильний ланцюг виглядає так: ШІ генерує або відбирає структури; моделі машинного навчання звужують простір пошуку; DFT-розрахунки уточнюють енергії та властивості; після цього матеріал треба синтезувати; потім перевірити структуру, наприклад методами рентгенівської дифракції; і лише далі виміряти реальні властивості. Тільки після проходження цих етапів можна говорити не просто про обчислювальне передбачення, а про підтверджений матеріал.

Показовою є історія з автономною лабораторією A-Lab, також описаною в Nature. Вона поєднала машинне навчання, роботизований синтез і аналіз експериментальних результатів; у статті описано 17 днів автономної роботи, 353 експерименти та 36 успішно реалізованих неорганічних кристалічних твердих тіл із 57 цілей. (Nature) Але подальше обговорення й виправлення до цієї роботи показали, що навіть у таких передових системах потрібна обережність: твердження про “новизну” матеріалів могли бути неправильно витлумачені, а частина результатів потребувала уточнення. Це нормальна наукова процедура: прогноз, синтез і валідація мають бути розділені й прозоро задокументовані. (ACS Publications)

Інший приклад — робота Microsoft і Pacific Northwest National Laboratory. Там AI та високопродуктивні обчислення допомогли швидко звузити простір з десятків мільйонів неорганічних кандидатів до невеликої кількості перспективних матеріалів для батарей. За описом Microsoft, було переглянуто понад 32 млн кандидатів, після чого відібрано перспективні варіанти для подальшої перевірки. (azure.microsoft.com) Але і тут мова йде про перспективний напрям, а не про завершений промисловий матеріал.

Головний висновок для дослідницької інфраструктури простий: ШІ не замінює матеріалознавство, а прискорює його. Він допомагає знайти, що саме варто перевіряти. Але наукове відкриття завершується не прогнозом, а відтворюваним підтвердженням структури, властивостей і умов отримання матеріалу.

Для України ця тема особливо важлива в контексті цифрового матеріалознавства та відкритої науки. AI-driven materials discovery потребує не лише алгоритмів, а й якісних FAIR-даних: структур, вхідних файлів, параметрів DFT-розрахунків, workflow, моделей, результатів синтезу, XRD-даних, README, метаданих і DOI. Без цього результати важко перевірити, повторити й використати в нових дослідженнях.

Отже, коректна формула така: штучний інтелект уже допомагає знаходити стабільні матеріали-кандидати з потенційно корисними властивостями. Але між таким кандидатом і реальним технологічним матеріалом залишається повний науковий шлях — розрахунок, синтез, характеризація, вимірювання, відтворюваність і відкрита публікація даних.