Стартап, делающий прибыль на ИИ и нанотехнологиях?

Нанотехнологии звучат как 2015-2018 год, когда популярные журналисты из N+1 и простых новостных каналов пророчили нам бессмертие. Паучки, прокрадывающиеся в наши органы и заменяющие нам антитела, роботы-хирурги, выжигающие раковые опухоли, а также микропроцессоры, бустящие наш мозг на 101%.

К слову, Нейролинк от Илона Маска действительно сделал прорыв в этом направлении: слепые смогут видеть, парализованные — ходить. Уже в марте пара пациентов продемонстрировали удивительные «способности» игры в шахматы.

Для нанотехнологий накопилось достаточно неочевидных проблем, которые не привели нас к мрачному киберпанк-сеттингу в реальной жизни. Конечно, нанотехнологии связаны не только с кибернетизацией человека, но и разработкой новых чипов, например. Любые технологии в микро-микро-микро-масштабе — это нанотехнологии.

Перед нам мануфактура по производству наноматериалов.

Вспомним, что искусственный интеллект — это про обработку данных и выдачу некоторых результатов на выходе. На самом деле, предварительно есть достаточно много этапов разработки наноматериалов, где ИИ может проявить себя.

Нейросети могут предсказывать, как материал будет вести себя в разных условиях: при высоких температурах, под воздействием электрических полей, в агрессивных средах и т. д.

Сюда входят такие задачи по предсказанию долговечности материалов, их устойчивости к коррозии, их реакционной способности.

Но стартап Feynman Dynamics нацелен, прежде всего, на оптимизацию исследований. Компания производит катализаторы из благородных металлов на углеродной основе, четко определенные нанокристаллы и ценные химикаты. Формально — производственник сырья.

И математика (ИИ) проявляет себя там, где присутствует математика.

И первое, где ИИ вступает в силу — рентгеновская спектроскопия.

Рентгеновская абсорбционная спектроскопия (XAS) помогает ученым узнать, как атомы ведут себя в материале и как они «общаются» между собой.

В данном случае мы изучаем материал, который содержит олово в виде оксида олова (SnO₂), и сравниваем его с уже известными примерами, чтобы лучше понять его особенности.

На втором графике показан результат эксперимента XANES, который показывает, как рентгеновские лучи поглощаются атомами олова.

Видите большой пик в районе 29200 электронвольт? Этот пик похож на след, который оставляет переход электронов с одного уровня энергии на другой, и он характерен для атомов олова, когда они находятся в разных состояниях.

Например, если мы сравним этот график с фольгой из чистого олова и оксидом олова (SnO₂), то сможем понять, в каком состоянии находится олово в нашем материале.

Когда олово соединяется с кислородом, как в SnO₂, оно становится «окисленным», то есть получает заряд 4+. Форма и положение этого пика подсказывают, что в нашем материале олово тоже окисленное. А вот в чистом олове (фольга) этого пика нет, потому что олово в нем находится в своем «естественном» состоянии, без окисления.

Теперь посмотрим на первый график, который показывает данные EXAFS. Этот график похож на карту, на которой мы видим, как атомы олова располагаются рядом с другими атомами, например с атомами кислорода или других атомов олова.

Первый большой пик на графике, около 2 Å, означает, что атомы олова «дружат» с атомами кислорода, что подтверждает, что мы имеем дело с оксидом олова (SnO₂).

Дальше, на большем расстоянии, есть маленькие пики. Они могут означать, что атомы олова также находятся рядом с другими атомами олова. Это может происходить на границах зерен — это как если бы кристаллы в материале касались друг друга — или если в материале есть другие особенности.

И на самом деле, таких анализов нужно проводить достаточно много без использования прямых экспериментов, а еще интерпретировать графики. А как мы знаем, в любых графиках возникают проблемы с «аномалиями».

Например, ИИ помогает в деконволюции спектров — процессе, при котором сложные наложенные сигналы разделяются на составляющие.

Спектры XANES и EXAFS часто содержат наложенные пики, что затрудняет интерпретацию. Нейросети могут моделировать эти спектры и отделять полезную информацию от фонового шума, что облегчает точную интерпретацию данных.

Применение алгоритмов оптимизации и байесовских методов может улучшить точность идентификации координационных чисел, межатомных расстояний и типов взаимодействий в материалах.

Рекуррентные нейронные сети (RNN) или гибридные модели, могут применяться для предсказания структуры новых материалов на основе известных спектральных данных, чтобы постараться оптимизировать число экспериментов.

Некоторые элементы чисто теоретически не сочетаемы. Время — деньги.

В частности, использование нейронных сетей и методов регрессии помогает автоматизировать процесс идентификации характерных пиков и анализа R-пространства.

Конечно, на этом помощь нейросетей не заканчивается.

Реакции синтеза наноматериалов часто являются динамическими и требуют мониторинга в режиме реального времени, чтобы своевременно корректировать параметры процесса. Это особенно важно для реакции осаждения, химического осаждения из газовой фазы (CVD), или гидротермальных методов, где условия могут резко изменяться.

Тут поможет внедрение систем управления на базе глубоких Q-обучающих алгоритмов (deep Q-learning), которые могут обучаться корректировать параметры синтеза в реальном времени, используя обратную связь с датчиков. Это включает обучение агента, который на основе текущих данных с сенсоров (например, температуры, давления, концентрации) принимает решения о корректировке условий синтеза.

А если нам нужно синтезировать новые материалы, отыскивать новые алхимические рецепты?

Например, VAE может сжимать сложное многомерное пространство параметров синтеза в латентное пространство меньшей размерности, из которого затем можно легко генерировать новые, потенциально оптимальные рецептуры.

GAN могут создавать новые химические композиции, которые при правильных условиях синтеза будут давать материалы с требуемыми физическими или химическими свойствами из размера частиц, морфологии или каталитической активности.

Генеративные модели, вариационные автокодировщики (Variational Autoencoders, VAE) или генеративные состязательные сети (Generative Adversarial Networks, GAN), могут использоваться для генерации новых рецептур синтеза на основе исторических данных.

Применение градиентного бустинга (gradient boosting), например, алгоритмов XGBoost или CatBoost, для прогнозирования свойств наноматериалов на основе данных о процессе синтеза.

Эти модели могут обрабатывать как структурированные данные (параметры синтеза, состав), так и неструктурированные данные (например, изображения или спектры). Модели обучаются на наборах данных, содержащих синтетические параметры и их соответствующие свойства, а затем могут использоваться для предсказания свойств новых материалов, избегая необходимости проведения дополнительных экспериментов.

Вот вам и идеи для нового стартапа, так как часть из них не интегрированы в компании Фейман. Тому, конечно, служат свои обстоятельства.

Глубокие нейронные сети способны анализировать большие объемы спектроскопических данных, находить корреляции между различными состояниями атомов и их локальной координацией, помогать в синтезе, выводить новые алхимические рецепты материалов и попросту комфортно оптимизировать весь процесс исследований.

И вот компания «Фейман Динамикс» успешно применяет ИИ в этом направлении.

Это хороший пример стартапа, который с простейшим сайтом, предлагает действительно серьезный, а главное реальный продукт. Нейросети тут не предлагают увеличить эффективность продаж на миллион процентов, а выполняют утилитарную научную функцию.

На вопрос: «Как получить инвестиции?» ответом будет «Да используйте ИИ в сложных технических процессах, но узконаправленных».

Не следует замахиваться на замену целого отдела кадров или цеха — следует рассмотреть потребности конкретных специалистов и упростить им работу там, где это возможно.