გენერაციულმა ხელოვნური ინტელექტის მოდელებმა შესაძლებელი გახადა თეორიული მასალების უზარმაზარი ბიბლიოთეკების შექმნა, რომლებსაც შეუძლიათ ყველა სახის პრობლემის გადაჭრაში დახმარება. ახლა მეცნიერებმა უბრალოდ უნდა გაარკვიონ, როგორ შექმნან ისინი. ბევრ შემთხვევაში, მასალების სინთეზი არ არის ისეთი მარტივი, როგორც სამზარეულოში რეცეპტის მიყოლა. ისეთი ფაქტორები, როგორიცაა ტემპერატურა და დამუშავების ხანგრძლივობა, შეიძლება გამოიწვიოს მასალის თვისებებში უზარმაზარი ცვლილებები, რამაც შეიძლება განსაზღვროს მისი ეფექტურობა. ამან შეზღუდა მკვლევართა შესაძლებლობა, შეემოწმებინათ მილიონობით პერსპექტიული, მოდელის მიერ გენერირებული მასალა. ახლა, MIT-ის მკვლევარებმა შექმნეს AI მოდელი, რომელიც მეცნიერებს მასალების შექმნის პროცესში უძღვება პერსპექტიული სინთეზის გზების შეთავაზებით. ახალ ნაშრომში მათ აჩვენეს, რომ მოდელი უზრუნველყოფს უახლეს სიზუსტეს ცეოლითების, მასალების კლასის, ეფექტური სინთეზის გზების პროგნოზირებაში, რომლებიც შეიძლება გამოყენებულ იქნას კატალიზის, აბსორბციისა და იონთა ცვლის პროცესების გასაუმჯობესებლად. მისი შეთავაზებების გათვალისწინებით, გუნდმა მოახდინა ახალი ცეოლითის მასალის სინთეზი, რომელმაც გაუმჯობესებული თერმული სტაბილურობა აჩვენა. მკვლევარები მიიჩნევენ, რომ მათი ახალი მოდელი შეიძლება აღმოფხვრას მასალების აღმოჩენის პროცესში არსებული უდიდესი შეფერხება. „ანალოგიის მოსაყვანად, ჩვენ ვიცით, როგორი ნამცხვრის გაკეთება გვინდა, მაგრამ ამჟამად არ ვიცით, როგორ გამოვაცხოთ ის“, – ამბობს მთავარი ავტორი ელტონ პანი, MIT-ის მასალათმცოდნეობისა და ინჟინერიის დეპარტამენტის (DMSE) დოქტორანტი. „მასალების სინთეზი ამჟამად ხორციელდება დარგობრივი ექსპერტიზისა და ცდისა და შეცდომის მეთოდით.“ ნაშრომი, რომელიც აღწერს ამ ნამუშევარს, დღეს გამოქვეყნდა „Nature Computational Science“-ში. პანთან ერთად ნაშრომზე მუშაობდნენ: სუნჰიუნგ კვონი ’20, დოქტ. ’24; DMSE-ის პოსტდოქტორი სულინ ლიუ; ქიმიური ინჟინერიის დოქტორანტი მინგროუ ქსიე; DMSE-ის პოსტდოქტორი ალექსანდრე ჯ. ჰოფმანი; კვლევითი ასისტენტი იიფეი დუანი SM ’25; DMSE-ის მოწვეული სტუდენტი თორბენ პრეინი; DMSE-ის დოქტორანტი ქილიან შერიფი; MIT-ის რობერტ ტ. ჰასლამის ქიმიური ინჟინერიის პროფესორი იური რომან-ლეშკოვი; ვალენსიის პოლიტექნიკური უნივერსიტეტის პროფესორი მანუელ მოლინერი; MIT-ის პოლ მ. ქუქის კარიერის განვითარების პროფესორი რაფაელ გომეს-ბომბარელი; და MIT-ის ჯერი მაკაფის ინჟინერიის პროფესორი ელზა ოლივეტი. **ცხობის სწავლა** გენერაციულ AI-ში მასიურმა ინვესტიციებმა გამოიწვია ის, რომ ისეთმა კომპანიებმა, როგორებიცაა Google და Meta, შექმნეს უზარმაზარი მონაცემთა ბაზები, რომლებიც სავსეა მასალების „რეცეპტებით“, რომლებსაც, ყოველ შემთხვევაში თეორიულად, აქვთ ისეთი თვისებები, როგორიცაა მაღალი თერმული სტაბილურობა და აირების სელექტიური აბსორბცია. მაგრამ ამ მასალების შექმნას შეიძლება დასჭირდეს კვირები ან თვეები ფრთხილი ექსპერიმენტებისთვის, რომლებიც ამოწმებენ რეაქციის სპეციფიკურ ტემპერატურას, დროს, წინამორბედი ნივთიერებების თანაფარდობას და სხვა ფაქტორებს. „ადამიანები პროცესის წარმართვისთვის თავიანთ ქიმიურ ინტუიციას ეყრდნობიან“, – ამბობს პანი. „ადამიანები ხაზოვანები ვართ. თუ ხუთი პარამეტრია, ჩვენ შესაძლოა ოთხი მათგანი მუდმივი დავტოვოთ და ერთ-ერთი ხაზოვნად შევცვალოთ. მაგრამ მანქანები გაცილებით უკეთესად აზროვნებენ მაღალგანზომილებიან სივრცეში.“ მასალების აღმოჩენის სინთეზის პროცესი ახლა ხშირად ყველაზე მეტ დროს მოითხოვს მასალის ჰიპოთეზიდან გამოყენებამდე გზაზე. ამ პროცესში მეცნიერების დასახმარებლად, MIT-ის მკვლევარებმა ავარჯიშეს გენერაციული AI მოდელი 23,000-ზე მეტ მასალის სინთეზის რეცეპტზე, რომლებიც აღწერილია 50 წელზე მეტი ხნის სამეცნიერო ნაშრომებში. მკვლევარებმა სწავლის პროცესში რეცეპტებს იტერაციულად ამატებდნენ შემთხვევით „ხმაურს“, და მოდელმა ისწავლა ხმაურის მოშორება და შემთხვევითი ხმაურიდან ნიმუშების აღება პერსპექტიული სინთეზის გზების მოსაძებნად. შედეგი არის DiffSyn, რომელიც იყენებს AI-ში ცნობილ დიფუზიის მიდგომას. „დიფუზიური მოდელები ძირითადად გენერაციული AI მოდელებია, როგორიცაა ChatGPT, მაგრამ უფრო მეტად ჰგავს DALL-E გამოსახულების გენერაციის მოდელს“, – ამბობს პანი. „ინფერენციის დროს ის ხმაურს მნიშვნელოვან სტრუქტურად აქცევს, ყოველ ნაბიჯზე მცირე ხმაურის გამოკლებით. ამ შემთხვევაში, „სტრუქტურა“ არის სასურველი მასალის სინთეზის გზა.“ როდესაც მეცნიერი DiffSyn-ის გამოყენებით შეიყვანს სასურველ მასალის სტრუქტურას, მოდელი სთავაზობს რეაქციის ტემპერატურის, რეაქციის დროის, წინამორბედი ნივთიერებების თანაფარდობის და სხვათა პერსპექტიულ კომბინაციებს. „ის ძირითადად გეუბნებათ, როგორ გამოაცხოთ თქვენი ნამცხვარი“, – ამბობს პანი. „თქვენ გაქვთ ნამცხვარი გონებაში, თქვენ შეგყავთ ის მოდელში, მოდელი გამოყოფს სინთეზის რეცეპტებს. მეცნიერს შეუძლია აირჩიოს ნებისმიერი სინთეზის გზა, რომელიც სურს, და არსებობს მარტივი გზები იმის რაოდენობრივი შეფასებისთვის, თუ რომელია ყველაზე პერსპექტიული სინთეზის გზა იმის მიხედვით, რასაც ჩვენ გთავაზობთ, რაც ჩვენს ნაშრომშია ნაჩვენები.“ სისტემის შესამოწმებლად, მკვლევარებმა გამოიყენეს DiffSyn-ი ცეოლითისთვის ახალი სინთეზის გზების შეთავაზებისთვის – ეს არის მასალის კლასი, რომელიც რთულია და მოითხოვს დროს, რომ ჩამოყალიბდეს შესამოწმებელ მასალად. „ცეოლითებს აქვთ ძალიან მაღალგანზომილებიანი სინთეზის სივრცე“, – ამბობს პანი. „ცეოლითები ასევე მიდრეკილნი არიან კრისტალიზაციისთვის დღეები ან კვირები დასჭირდეს, ამიტომ [საუკეთესო სინთეზის გზის უფრო სწრაფად პოვნის] გავლენა გაცილებით მაღალია, ვიდრე სხვა მასალების შემთხვევაში, რომლებიც საათებში კრისტალიზდება.“ მკვლევარებმა შეძლეს ახალი ცეოლითის მასალის შექმნა DiffSyn-ის მიერ შემოთავაზებული სინთეზის გზების გამოყენებით. შემდგომმა ტესტირებამ აჩვენა, რომ მასალას ჰქონდა პერსპექტიული მორფოლოგია კატალიზური გამოყენებისთვის.