Generative and multimodal AI for materials prediction and design: Progress, challenges, and perspectives
Dieses Paper schlägt eine Materialeigenschaftshierarchie und ein evidenzbasiertes Framework vor, um die Herausforderungen bei der Untermauerung von Neuartigkeit in der KI-gesteuerten Materialentdeckung anzugehen, wobei argumentiert wird, dass die aktuellen Einschränkungen bei der Integration multimodaler Daten und des Benchmarking durch gemeinschaftsweite Standards überwunden werden müssen, um das Design experimentell realisierbarer Materialien zu ermöglichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Meisterkoch, der versucht, ein völlig neues Gericht zu erfinden. Sie haben ein Rezeptbuch voller tausender bekannter Mahlzeiten, aber Sie wollen etwas erschaffen, das die Welt noch nie geschmeckt hat. In der Welt der Wissenschaft wird dies als „Materialentdeckung“ bezeichnet. Wissenschaftler versuchen, neue Dinge zu erfinden – wie superstarke Metalle für Brücken, Batterien, die ewig halten, oder Chips, die Computer schneller denken lassen. Lange Zeit haben sie dies durch Raten und Ausprobieren getan, indem sie Chemikalien mischten und auf das Beste hofften. Aber jetzt haben sie einen leistungsstarken neuen Assistenten: Künstliche Intelligenz (KI).
Betrachten Sie die KI als einen superintelligenten Sous-Chef, der in der Lage ist, Millionen von Rezeptbüchern in Sekundenschnelle zu lesen. Er kann vorhersagen, wie eine neue Mischung von Zutaten schmecken wird (oder in der Wissenschaft: wie sich ein neues Material verhalten wird), ohne es vorher tatsächlich gekocht zu haben. Diese Arbeit konzentriert sich auf eine spezifische Art von KI, die in zwei Bereichen sehr gut wird: „generativer“ KI, was wie ein Koch ist, der völlig neue Rezepte aus dem Nichts entwerfen kann, und „multimodaler“ KI, was ein Koch ist, der nicht nur das Rezept liest, sondern auch Fotos des Essens sieht, dem Zischen hört und die Aromen riecht, um das gesamte Bild zu verstehen. Die große Frage, die sich alle stellen, ist: Kann diese KI tatsächlich ein echtes, nutzbares neues Material erfinden, oder erfindet sie nur schick klingende Rezepte, die in einer echten Küche auseinanderfallen würden?
Diese Arbeit, geschrieben von einem Team von Forschern der University of Sheffield und anderer Institutionen, wirft einen kritischen Blick darauf, wie weit diese KI wirklich gekommen ist. Sie argumentieren, dass die KI zwar immer besser darin wird, neue Formen und Formeln für Materialien zu erfinden (wie das Zeichnen eines neuen Bauplans für ein Haus), sie aber immer noch damit kämpft, zu beweisen, dass diese Häuser auch tatsächlich gebaut und bewohnt werden können. Die Autoren führen eine neue Art des Denkens über „Neuheit“ ein. Sie sagen, es gibt drei Ebenen der Neuheit:
- Strukturelle Neuheit: Die KI erfindet eine Form oder Formel, die noch nie zuvor gesehen wurde. Das ist so, als würde man ein Haus mit einem blauen Dach und einer grüne Tür zeichnen.
- Physikalische Neuheit: Das neue Material tut tatsächlich etwas Cooles, wie zum Beispiel stärker als Stahl zu sein oder Strom besser als Kupfer zu leiten. Das ist so, als würde man das Haus bauen und feststellen, dass es einem Hurrikan standhalten kann.
- Anwendungsorientierte Neuheit (Deployment Novelty): Das Material kann tatsächlich in einer Fabrik hergestellt, verkauft und in der realen Welt verwendet werden, ohne auseinanderzufallen. Dies ist die schwierigste Ebene; es ist, als müsste man beweisen, dass man tausend dieser Häuser günstig bauen kann und dass sie nach einem Jahr nicht verrotten.
Die Forscher fanden heraus, dass die KI derzeit ein Superstar auf der ersten Ebene ist. Sie kann Millionen neuer, stabiler Kristallstrukturen generieren, die auf dem Papier großartig aussehen. Sie stößt jedoch auf der zweiten und dritten Ebene an eine Wand. Warum? Weil die Daten, von denen die KI lernt, unvollständig sind. Die meisten Daten, die diesen KI-Köchen zur Verfügung stehen, sagen ihnen nur etwas über die Zutaten (chemische Zusammensetzung) und den idealen Bauplan (Kristallstruktur). Sie erzählen selten etwas über den Kochprozess (wie das Material erhitzt, abgekühlt oder gepresst wurde) oder die reale Leistung (wie es sich nach Jahren der Nutzung verhält).
Die Arbeit erklärt, dass die KI ohne das Wissen über den „Kochprozess“ nicht sagen kann, ob ein neues Rezept tatsächlich machbar ist. Es ist wie ein Rezept für einen Kuchen, der bei 5.000 Grad gebacken werden muss; die KI mag sagen: „Hey, das ist ein neuer Kuchen!“, aber ein echter Bäcker weiß, dass das unmöglich ist. Die Autoren weisen darauf hin, dass aktuelle KI-Benchmarks wie ein Videospiel sind, bei dem man nur Punkte dafür bekommt, schöne Bilder zu zeichnen, nicht aber dafür, das Haus tatsächlich zu bauen. Sie verlassen sich auf Computersimulationen, die von perfekten Bedingungen ausgehen und die chaotische Realität der tatsächlichen Herstellung, Defekte und die Zeit ignorieren.
Das Team schlägt vor, dass die wissenschaftliche Gemeinschaft, um von „coolen Zeichnungen“ zu „echten Erfindungen“ zu gelangen, die Art und Weise ändern muss, wie sie Daten teilt. Sie müssen anfangen, nicht nur das Endergebnis zu protokollieren, sondern die gesamte Reise: die gescheiterten Versuche, die spezifisch verwendeten Temperaturen, die benötigte Zeit und die Fehler gemacht wurden. Sie fordern einen neuen Standard, bei dem KI-Modelle auf dieser vollständigen, chaotischen Geschichte trainiert werden, nicht nur auf dem Highlight-Reel. Sie schlagen vor, dass zukünftige KI „Machbarkeit zuerst“ (feasibility-first) sein sollte, was bedeutet, dass sie nur Materialien vorschlagen sollte, von denen sie weiß, dass sie mit der aktuellen Technologie tatsächlich gebaut werden können.
Kurz gesagt legt die Arbeit nahe, dass die KI zwar ein brillanter Träumer ist, sie aber bessere Anweisungen braucht, um zu einem praktischen Baumeister zu werden. Die Autoren sagen nicht, dass die KI keine neuen Materialien entwerfen kann; sie sagen, dass wir, um Materialien zu entwerfen, die in der realen Welt funktionieren, mehr als nur Rezepte füttern müssen. Wir müssen ihr die ganze Geschichte der Küche, der Werkzeuge und der Geschichte dessen geben, was funktioniert hat und was nicht. Bis wir dies tun, könnten die „neuen“ Entdeckungen der KI lediglich schöne Ideen auf einem Bildschirm bleiben, die darauf warten, dass ein Mensch herausfindet, wie man sie real werden lässt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.