Generative and multimodal AI for materials prediction and design: Progress, challenges, and perspectives
Dit artikel stelt een hiërarchie van materiaaleigenschappen en een op bewijsvoering gebaseerd kader voor om de uitdagingen aan te pakken bij het onderbouwen van nieuwheid in AI-gestuurde materiaaldiscovery, waarbij wordt betoogd dat de huidige beperkingen in multimodale data-integratie en benchmarking moeten worden overwonnen door middel van gemeenschappelijke standaarden om het ontwerp van experimenteel realiseerbare materialen mogelijk te maken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een meesterkok bent die probek een volstrekt nieuw gerecht wil uitvinden. Je hebt een receptenboek vol met duizenden bekende maaltijden, maar je wilt iets creëren wat de wereld nog nooit heeft geproefd. In de wereld van de wetenschap wordt dit "materiaalkunde" genoemd. Wetenschappers proberen nieuwe dingen uit te vinden—zoals supersterke metalen voor bruggen, batterijen die eeuwig meegaan, of chips die computers sneller laten denken. Lange tijd deden ze dit door te gokken en te controleren, ingrediënten te mengen en op het beste te hopen. Maar nu hebben ze een krachtige nieuwe assistent: Kunstmatige Intelligentie (AI).
Beschouw AI als een superintelligente sous-chef die in enkele seconden miljoenen receptenboeken kan lezen. Het kan voorspellen hoe een nieuwe mix van ingrediënten zal smaken (of in de wetenschap: hoe een nieuw materiaal zal reageren) zonder het eerst daadwerkelijk te bereiden. Dit paper richt zich op een specifiek type AI dat erg goed wordt in twee dingen: "generatieve" AI, wat een chef is die vanuit het niets compleet nieuwe recepten kan dromen, en "multimodale" AI, wat een chef is die niet alleen een recept leest, maar ook foto's van het eten bekijkt, naar het sissende geluid luistert en de aroma's ruikt om het hele plaatje te begrijpen. De grote vraag die iedereen stelt is: Kan deze AI daadwerkelijk een echt, bruikbaar nieuw materiaal uitvinden, of verzint het alleen maar chique klinkende recepten die in een echte keuken uit elkaar zouden vallen?
Dit paper, geschreven door een team onderzoekers van de Universiteit van Sheffield en andere instellingen, werpt een kritische blik op hoe ver deze AI werkelijk is gekomen. Ze betogen dat hoewel AI geweldig wordt in het uitvinden van nieuwe vormen en formules voor materialen (zoals het tekenen van een nieuw blauwdruk voor een huis), het nog steeds moeite heeft om te bewijzen dat die huizen ook daadwerkelijk gebouwd en bewoond kunnen worden. De auteurs introduceren een nieuwe manier om "nieuwigheid" te begrijpen. Ze zeggen dat er drie niveaus van nieuwheid zijn:
- Structurele Nieuwheid: De AI bedenkt een vorm of formule die nog nooit eerder is gezien. Dit is als het tekenen van een huis met een blauw dak en een groene deur.
- Fysieke Nieuwheid: Het nieuwe materiaal doet daadwerkelijk iets cools, zoals sterker zijn dan staal of elektriciteit beter geleiden dan koper. Dit is als het bouwen van het huis en ontdekken dat het een orkaan kan overleven.
- Implementatie-Nieuwheid: Het materiaal kan daadwerkelijk in een fabriek worden gemaakt, verkocht en in de echte wereld worden gebruikt zonder uit elkaar te vallen. Dit is het moeilijkste niveau; het is als bewijzen dat je duizenden van deze huizen goedkoop kunt bouwen en dat ze niet na een jaar zullen rotten.
De onderzoekers ontdekten dat AI momenteel een superster is op het eerste niveau. Het kan miljoenen nieuwe, stabiele kristalstructuren genereren die er op papier geweldig uitzien. Echter, het loopt tegen een muur op bij het tweede en derde niveau. Waarom? Omdat de data waar de AI van leert incompleet is. De meeste data die beschikbaar is voor deze AI-chefs vertelt hen alleen over de ingrediënten (chemische samenstelling) en het ideale blauwdruk (kristalstructuur). Het vertelt zelden over het kookproces (hoe het materiaal werd verhit, afgekoeld of samengeperst) of de prestaties in de echte wereld (hoe het er na jaren gebruik nog voor staat).
Het paper legt uit dat zonder het weten van het "kookproces", de AI niet kan zeggen of een nieuw recept daadwerkelijk mogelijk is om te maken. Het is als een recept voor een cake die vereist dat je bakt op 5.000 graden; de AI kan zeggen: "Hé, dit is een nieuwe cake!", maar een echte bakker weet dat het onmogelijk is om zo'n cake te bakken. De auteurs wijzen erop dat huidige AI-benchmarks lijken op een videogame waarbij je alleen punten krijgt voor het tekenen van mooie plaatjes, en niet voor het daadwerkelijk bouwen van het huis. Ze vertrouwen op computersimulaties die uitgaan van perfecte omstandigheden, waarbij de rommelige realiteit van productie, defecten en tijd wordt genegeerd.
Het team suggereert dat om van "coole tekeningen" naar "echte uitvindingen" te gaan, de wetenschappelijke gemeenschap de manier waarop zij data delen moet veranderen. Ze moeten beginnen met het vastleggen van niet alleen het eindresultaat, maar de hele reis: de mislukte pogingen, de specifieke temperaturen die werden gebruikt, de tijd die het kostte, en de fouten die werden gemaakt. Ze pleiten voor een nieuwe standaard waarbij AI-modellen worden getraind op dit volledige, rommelige verhaal, en niet alleen op de hoogtepunten. Ze stellen voor dat toekomstige AI "haalbaarheid-eerst" moet zijn, wat betekent dat het alleen materialen moet voorstellen waarvan het weet dat ze met de huidige technologie daadwerkelijk gebouwd kunnen worden.
Kortom, het paper suggereert dat hoewel AI een briljante dromer is, het betere instructies nodig heeft om een praktische bouwer te worden. De auteurs zeggen niet dat AI geen nieuwe materialen kan ontwerpen; ze zeggen dat om materialen te ontwerpen die in de echte wereld werken, we de AI meer moeten voeden dan alleen recepten. We moeten het de hele geschiedenis van de keuken geven, de gereedschappen, en wat er wel en niet heeft gewerkt in het verleden. Totdat we dat doen, zullen de "nieuwe" ontdekkingen van de AI misschien slechts prachtige ideeën op een scherm blijven, wachtend tot een mens uitzoekt hoe ze werkelijkheid kunnen worden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.