Учёные MIT разработали ИИ-модель, которая подсказывает способы синтеза сложных материалов
Исследователи из Massachusetts Institute of Technology представили генеративную модель искусственного интеллекта, которая помогает учёным подбирать способы синтеза сложных материалов. Разработка предназначена для того, чтобы сократить разрыв между теоретическими моделями, предсказывающими новые вещества, и практическими экспериментами по их получению в лаборатории.
За последние годы генеративные ИИ-модели позволили создать огромные библиотеки гипотетических материалов с потенциально полезными свойствами — от высокой термостойкости до избирательного поглощения газов. Однако их практическое применение упирается в сложность синтеза: даже небольшие изменения температуры, времени реакции или соотношения исходных веществ могут радикально повлиять на итоговые характеристики материала. Из-за этого проверка перспективных идей часто занимает недели или месяцы.
Новая модель MIT предлагает учёным возможные «маршруты» синтеза, подсказывая комбинации параметров, которые с наибольшей вероятностью приведут к нужному результату. В статье, опубликованной в журнале Nature Computational Science, авторы показывают, что модель достигает высокой точности при прогнозировании путей синтеза цеолитов — класса материалов, широко используемых в каталитических, адсорбционных и ионообменных процессах. Следуя рекомендациям системы, исследователи смогли получить новый цеолит с улучшенной термической стабильностью.
Модель была обучена на более чем 23 тысячах рецептов синтеза, опубликованных в научных работах за последние 50 лет. В процессе обучения в данные намеренно добавлялся «шум», а система училась восстанавливать из него осмысленные комбинации параметров. Такой подход основан на диффузионных моделях — типе генеративного ИИ, который постепенно преобразует случайные данные в структурированный результат. В данном случае результатом становится набор условий, необходимых для получения заданного материала.
По словам авторов работы, главное преимущество модели в том, что она учитывает множественность возможных путей синтеза. В отличие от более ранних машинных подходов, связывавших структуру материала с единственным рецептом, новая система предлагает сразу несколько вариантов, отражающих реальную экспериментальную практику. Учёный может выбрать наиболее перспективный путь и оценить его до начала трудоёмких экспериментов.
Исследователи считают, что метод можно распространить и на другие классы материалов, включая металлоорганические каркасы и неорганические твёрдые тела. В перспективе такие модели могут стать частью автоматизированных экспериментальных установок, где ИИ не только предлагает условия синтеза, но и корректирует их на основе обратной связи от реальных лабораторных результатов, ускоряя путь от гипотезы к практическому применению.