Οι επιστήμονες που επιδιώκουν να απομακρύνουν το διοξείδιο του άνθρακα (CO₂) από τον αέρα με καθαρό και οικονομικό τρόπο ενδιαφέρονται εδώ και καιρό για τα μεταλλο-οργανικά πλέγματα (MOFs): γιγαντιαία, σπογγώδη μόρια που μπορούν να σχεδιαστούν με ακρίβεια, ώστε να παγιδεύουν το αέριο και να το απελευθερώνουν υπό έλεγχο.
Κατασκευασμένα από ιόντα μετάλλων που συγκρατούνται μεταξύ τους μέσω ενώσεων που περιέχουν άνθρακα, τα MOFs εμφανίζουν μια εκθαμβωτική ποικιλία δομών, καθεμία με τις δικές της ξεχωριστές ιδιότητες. Ένα MOF ικανό να απορροφά CO₂ σε μια παραθαλάσσια τοποθεσία έχει διαφορετική δομή από ένα που μπορεί να λειτουργήσει σε ένα ξηρό, ορεινό κλίμα. Η αναζήτηση μέσα από δισεκατομμύρια πιθανές δομές για να βρεθεί το κατάλληλο MOF για κάθε περίπτωση είναι ένας άθλος για έναν χημικό. Είναι όμως η τέλεια δουλειά για ένα μοντέλο τεχνητής νοημοσύνης (AI).
Μία startup που αναπτύσσει ένα τέτοιο σύστημα είναι η CuspAI. Χρησιμοποιεί πολλαπλά μοντέλα AI ταυτόχρονα: ορισμένα εκπαιδεύονται ώστε να δημιουργούν υποψήφια μόρια με καθορισμένες ιδιότητες, τα οποία στη συνέχεια αξιολογούνται από ένα εξειδικευμένο θεμελιώδες μοντέλο. Ο στόχος της CuspAI δεν είναι απλώς να βρει ένα καλό MOF, αλλά να δημιουργήσει ένα σύστημα ικανό να παράγει το κατάλληλο MOF για οποιεσδήποτε περιβαλλοντικές συνθήκες—και από εκεί και πέρα να αποδείξει ότι η AI μπορεί να χρησιμοποιηθεί για την επίλυση οποιουδήποτε προβλήματος στη επιστήμη των υλικών. Καλύτερες μπαταρίες, καθαρότερα βιοπλαστικά, ισχυρότεροι ημιαγωγοί και δυνητικά ακόμη και υπεραγωγοί σε θερμοκρασία δωματίου μπορεί σύντομα να γίνουν πραγματικότητα.
Αυτό δεν είναι πλέον ουτοπία. Σε μια ανακοίνωση συνεδρίου τον Νοέμβριο του 2024, ο Aidan Toner-Rodgers, διδακτορικός φοιτητής οικονομικών στο MIT ανέλυσε τις επιπτώσεις ενός νέου εργαλείου AI στην παραγωγικότητα ερευνητών υλικών σε μια ανώνυμη αμερικανική εταιρεία. Χάρη στη σταδιακή εισαγωγή του εργαλείου, όπου οι περίπου χίλιοι επιστήμονες της εταιρείας απέκτησαν πρόσβαση σε τρεις διαδοχικές ομάδες, ο Toner-Rodgers μπόρεσε να αντιμετωπίσει την εισαγωγή του ως ένα “πείραμα” και να εκτιμήσει τον αντίκτυπό του. Τα αποτελέσματα ήταν εντυπωσιακά: αύξηση 44% στον αριθμό των νέων υλικών που ανακαλύφθηκαν, αύξηση 17% στα πρωτότυπα προϊόντων που βασίστηκαν σε αυτά τα νέα υλικά και αύξηση 39% στον αριθμό των κατατεθειμένων διπλωμάτων ευρεσιτεχνίας.
Οι καινοτομίες που προέκυψαν ήταν πρωτοποριακές. Τα διπλώματα ευρεσιτεχνίας που δημιουργήθηκαν με τη βοήθεια της AI είχαν περισσότερες πιθανότητες να περιλαμβάνουν νέους τεχνικούς όρους, ενώ τα ίδια τα υλικά παρουσίαζαν πιο ασυνήθιστες φυσικές δομές. Είτε χρησιμοποιεί κανείς μοντέλα AI είτε όχι, η σχεδίαση νέων υλικών παραμένει, όπως σημειώνει ο Ολλανδός χημικός μηχανικός Aaike van Vugt, «μια μεγάλη πρόκληση». Ορισμένες δυσκολίες είναι τεχνικές, καθώς η παραγωγή νέων υλικών απαιτεί συχνά εξειδικευμένες βιομηχανικές εγκαταστάσεις ικανές να παράγουν μεγάλες ποσότητες με γρήγορους ρυθμούς. Άλλες είναι οικονομικές, καθώς οι εταιρείες που επικεντρώνονται στην πρώιμη έρευνα και ανάπτυξη δυσκολεύονται να μετατρέψουν τις ανακαλύψεις τους σε κέρδος.
Άλλες βιομηχανίες έχουν ήδη λύσει αυτό το πρόβλημα. Ο Stef van Grieken, συνιδρυτής της Cradle, ενός εργαστηρίου πρωτεϊνών με τεχνητή νοημοσύνη που εδρεύει στο Άμστερνταμ και τη Ζυρίχη περιγράφει τη φαρμακευτική βιομηχανία ως «ιδιωτικά επενδυτικά κεφάλαια με συνημμένα εργαστήρια». Οι κλινικές δοκιμές για νέα φάρμακα μπορεί να είναι μία πολύ λεπτή υπόθεση, αλλά ενθαρρύνουν επενδύσεις που φέρνουν ανταποδοτικότητα σε ολόκληρη τη βιομηχανία, διοχετεύοντας πόρους πίσω στους ερευνητές. Δεν υπάρχει τέτοια πολυτέλεια για τους επιστήμονες υλικών: όσοι ασχολούνται με τον σχεδιασμό ενός υλικού πρέπει αναπόφευκτα να βρουν πως να το δοκιμάσουν, να το κατασκευάσουν και να το πουλήσουν επίσης.
Αυτό δεν έχει αποθαρρύνει την CuspAI. Ελπίζει να δημιουργήσει μια πλατφόρμα που μπορεί να σχεδιάζει υλικά κατά παραγγελία αφήνοντας σε μεγαλύτερες εταιρείες με εργαστήρια και εγκαταστάσεις παραγωγής να αναλάβουν τις δοκιμές και την κατασκευή.
Η Orbital Materials με έδρα το Λονδίνοχρησιμοποιεί επίσης την τεχνητή νοημοσύνη για να δημιουργήσει ένα MOF. Η εταιρεία εκπαίδευσε το δικό της μοντέλο από την αρχή χρησιμοποιώντας προσομοιώσεις σε υπερυπολογιστές για τη δημιουργία δεδομένων εκπαίδευσης, λέει ο Jonathan Godwin, πρώην ερευνητής στην Google DeepMind και συνιδρυτής της εταιρείας. Το τελικό αποτέλεσμα είναι εκατοντάδες εκατομμύρια προσομοιωμένες χημικές αλληλεπιδράσεις, καθεμία από τις οποίες αποτελείται από μερικές εκατοντάδες «tokens»: προηγμένες εκδοχές των σύντομων χημικών αντιδράσεων που συναντά κανείς σε ένα σχολικό εγχειρίδιο χημείας. Αυτός είναι ένας αριθμός δεδομένων εκπαίδευσης μικρότερος κατά τάξεις μεγέθους από εκείνον που απαιτείται για την εκπαίδευση ενός μεγάλου γλωσσικού μοντέλου. Είναι όμως όπως φαίνεται επαρκής για να δημιουργηθεί ένα μικρό και αποδοτικό μοντέλο που μπορεί να προβλέψει με ακρίβεια τις χημικές αλληλεπιδράσεις.
Αντί να λειτουργεί ως καθαρά εικονικό εργαστήριο όπως η CuspAI, που δημιουργεί AI και πουλάει τις ανακαλύψεις του, η Orbital προτίθεται να ασχοληθεί με την πραγματική έρευνα. Το θεμελιώδες μοντέλο της έχει ήδη προτείνει διάφορα MOFs και η Orbital έχει επενδύσει σε εσωτερικά εργαστήρια για να επαληθεύσει ότι λειτουργούν και μπορούν να παραχθούν σε μεγάλη κλίμακα. Τον Δεκέμβριο ανακοίνωσε μια συμφωνία με την Amazon Web Services για την ενσωμάτωση μιας ανακάλυψης σε ένα από τα τεράστια κέντρα δεδομένων της, όπου η απορριπτόμενη θερμότητα από το σύστημα ψύξης του αέρα θα τροφοδοτήσει τη χημική αντίδραση που απομακρύνει το CO2 από την ατμόσφαιρα. Ο στόχος είναι να καταστεί το κέντρο δεδομένων αρνητικό σε εκπομπές άνθρακα, με κόστος 20 σεντς ανά ώρα και ανά τσιπ. Αν πετύχει η Orbital θα έχει μετατρέψει μια ανακάλυψη που δημιουργήθηκε από AI σε ένα λειτουργικό προϊόν πιο γρήγορα από οποιαδήποτε εταιρεία στη φαρμακευτική βιομηχανία.
Άλλες εταιρείες προσπαθούν να αυτοματοποιήσουν εντελώς την ανάγκη για εργαστήρια. Ένας τέτοιος επιστήμονας είναι ο Aaike van Vugt, χημικός μηχανικός του οποίου η startup, VSParticle προσφέρει ουσιαστικά έναν νανοκλίμακας 3D εκτυπωτή: χρησιμοποιώντας μια τεχνική που ονομάζεται σπινθηροποίηση, δημιουργεί μια λεπτή μεμβράνη νέων υλικών, ένα νανοσωματίδιο κάθε φορά, ακολουθώντας μια μοναδική συνταγή για κάθε υλικό. Τέτοιες μεμβράνες μπορούν να χρησιμοποιηθούν σε μπαταρίες ή ως καταλύτες. Αν υιοθετηθεί ευρέως λέει ο van Vugt θα μπορούσε να απαλλάξει τους επιστήμονες υλικών από τον κόπο να καταλάβουν πως να παράγουν φυσικά ένα επιθυμητό υποψήφιο υλικό. Αντί να ανησυχούν για τη σύνθεση θα μπορούσαν απλά να στείλουν τη συνταγή στο εργαστήριο της VSParticle και να περιμένουν το τελικό προϊόν να εκτυπωθεί σε έναν από τους αυτοματοποιημένους κατασκευαστές της εταιρείας.
Αυτοματοποίηση και Τεχνητή Νοημοσύνη φέρνουν μία νέα εποχή
Η αυτοματοποίηση έχει προχωρήσει ακόμα περισσότερο. Το 2023 επιστήμονες από το MIT έδειξαν ότι ένα ρομπότ με τεχνητή νοημοσύνη μπορούσε να προβλέψει, να δημιουργήσει και να αναλύσει σχεδόν 300 νέες χημικές χρωστικές – οδηγώντας σε εννέα που σχεδιάστηκαν για να έχουν ιδιότητες ιδιαίτερα επιθυμητές στη βιοϊατρική απεικόνιση. Το 2024 μια ομάδα από το Πανεπιστήμιο του Τορόντο παρουσίασε έναν πράκτορα τεχνητής νοημοσύνης που κατάφερε (αν και με κάποια βοήθεια από ανθρώπους) να δημιουργήσει ένα υλικό υψηλής απόδοσης για λέιζερ.
Ο συνδυασμός τεχνητής νοημοσύνης και ρομποτικής για τη σύνθεση νέων υλικών θα ήταν τεράστιος, λέει ο Max Welling, συνιδρυτής της CuspAI. Ακόμη και μικρές διαφορές στην υγρασία ή την ποιότητα του αέρα μπορούν να καταστρέψουν τις πιθανότητες ενός εργαστηρίου να παραγάγει το επιθυμητό προϊόν. Αυτό ισχύει ακόμη περισσότερο για εργαστήρια που λειτουργούν με ρομπότ, γεγονός που έχει οδηγήσει ορισμένους επιστήμονες να αμφισβητήσουν τα αποτελέσματά τους. Το 2023 ερευνητές στο A-Lab, ένα αυτοματοποιημένο εργαστήριο στο Lawrence Berkeley National Laboratory ισχυρίστηκαν ότι δημιούργησαν 41 νέα υλικά που είχαν προβλεφθεί χρησιμοποιώντας δεδομένα από την Google DeepMind και το Materials Project. Μία πρωτοβουλία που στοχεύει να προσομοιώσει τις ιδιότητες όλων των ανόργανων υλικών. Η ανακοίνωση ήταν εντυπωσιακή, αλλά ερωτήματα σχετικά με την ανάλυση του μοντέλου έχουν οδηγήσει ορισμένους χημικούς να αμφιβάλλουν αν όντως παρήχθησαν νέα υλικά. Η ομάδα του A-Lab υπερασπίζεται την προσέγγισή της.
Προς το παρόν επικρατεί συγκρατημένη αισιοδοξία. Τον Νοέμβριο του 2024 η Meta ανακοίνωσε μια συνεργασία με την VSParticle και το Πανεπιστήμιο του Τορόντο, χρηματοδοτώντας τη δημιουργία, ανάλυση και ψηφιοποίηση περισσότερων από 500 πειραματικών ηλεκτροκαταλυτών — μιας κατηγορίας υλικών που θα μπορούσαν να είναι κρίσιμα για τη λειτουργία των μπαταριών επόμενης γενιάς.
Για τον Chad Edwards, τον άλλο συνιδρυτή της CuspAI το διακύβευμα είναι μεγαλύτερο από ένα νέο υλικό δέσμευσης άνθρακα. Αν το στοίχημα της εταιρείας του αποδώσει θα είναι μια ευκαιρία να αποδειχθεί ότι η τεχνητή νοημοσύνη μπορεί πραγματικά να συμβάλει ουσιαστικά στην επιστήμη. Μένει να το (απο)δείξει ο χρόνος.
*Με στοιχεία από τον Economist.
➪ Ακολουθήστε το OLAFAQ στο Facebook, Bluesky και Instagram.
Οι επιστήμονες που επιδιώκουν να απομακρύνουν το διοξείδιο του άνθρακα (CO₂) από τον αέρα με καθαρό και οικονομικό τρόπο ενδιαφέρονται εδώ και καιρό για τα μεταλλο-οργανικά πλέγματα (MOFs): γιγαντιαία, σπογγώδη μόρια που μπορούν να σχεδιαστούν με ακρίβεια, ώστε να παγιδεύουν το αέριο και να το απελευθερώνουν υπό έλεγχο.
Κατασκευασμένα από ιόντα μετάλλων που συγκρατούνται μεταξύ τους μέσω ενώσεων που περιέχουν άνθρακα, τα MOFs εμφανίζουν μια εκθαμβωτική ποικιλία δομών, καθεμία με τις δικές της ξεχωριστές ιδιότητες. Ένα MOF ικανό να απορροφά CO₂ σε μια παραθαλάσσια τοποθεσία έχει διαφορετική δομή από ένα που μπορεί να λειτουργήσει σε ένα ξηρό, ορεινό κλίμα. Η αναζήτηση μέσα από δισεκατομμύρια πιθανές δομές για να βρεθεί το κατάλληλο MOF για κάθε περίπτωση είναι ένας άθλος για έναν χημικό. Είναι όμως η τέλεια δουλειά για ένα μοντέλο τεχνητής νοημοσύνης (AI).
Μία startup που αναπτύσσει ένα τέτοιο σύστημα είναι η CuspAI. Χρησιμοποιεί πολλαπλά μοντέλα AI ταυτόχρονα: ορισμένα εκπαιδεύονται ώστε να δημιουργούν υποψήφια μόρια με καθορισμένες ιδιότητες, τα οποία στη συνέχεια αξιολογούνται από ένα εξειδικευμένο θεμελιώδες μοντέλο. Ο στόχος της CuspAI δεν είναι απλώς να βρει ένα καλό MOF, αλλά να δημιουργήσει ένα σύστημα ικανό να παράγει το κατάλληλο MOF για οποιεσδήποτε περιβαλλοντικές συνθήκες—και από εκεί και πέρα να αποδείξει ότι η AI μπορεί να χρησιμοποιηθεί για την επίλυση οποιουδήποτε προβλήματος στη επιστήμη των υλικών. Καλύτερες μπαταρίες, καθαρότερα βιοπλαστικά, ισχυρότεροι ημιαγωγοί και δυνητικά ακόμη και υπεραγωγοί σε θερμοκρασία δωματίου μπορεί σύντομα να γίνουν πραγματικότητα.
Αυτό δεν είναι πλέον ουτοπία. Σε μια ανακοίνωση συνεδρίου τον Νοέμβριο του 2024, ο Aidan Toner-Rodgers, διδακτορικός φοιτητής οικονομικών στο MIT ανέλυσε τις επιπτώσεις ενός νέου εργαλείου AI στην παραγωγικότητα ερευνητών υλικών σε μια ανώνυμη αμερικανική εταιρεία. Χάρη στη σταδιακή εισαγωγή του εργαλείου, όπου οι περίπου χίλιοι επιστήμονες της εταιρείας απέκτησαν πρόσβαση σε τρεις διαδοχικές ομάδες, ο Toner-Rodgers μπόρεσε να αντιμετωπίσει την εισαγωγή του ως ένα “πείραμα” και να εκτιμήσει τον αντίκτυπό του. Τα αποτελέσματα ήταν εντυπωσιακά: αύξηση 44% στον αριθμό των νέων υλικών που ανακαλύφθηκαν, αύξηση 17% στα πρωτότυπα προϊόντων που βασίστηκαν σε αυτά τα νέα υλικά και αύξηση 39% στον αριθμό των κατατεθειμένων διπλωμάτων ευρεσιτεχνίας.
Οι καινοτομίες που προέκυψαν ήταν πρωτοποριακές. Τα διπλώματα ευρεσιτεχνίας που δημιουργήθηκαν με τη βοήθεια της AI είχαν περισσότερες πιθανότητες να περιλαμβάνουν νέους τεχνικούς όρους, ενώ τα ίδια τα υλικά παρουσίαζαν πιο ασυνήθιστες φυσικές δομές. Είτε χρησιμοποιεί κανείς μοντέλα AI είτε όχι, η σχεδίαση νέων υλικών παραμένει, όπως σημειώνει ο Ολλανδός χημικός μηχανικός Aaike van Vugt, «μια μεγάλη πρόκληση». Ορισμένες δυσκολίες είναι τεχνικές, καθώς η παραγωγή νέων υλικών απαιτεί συχνά εξειδικευμένες βιομηχανικές εγκαταστάσεις ικανές να παράγουν μεγάλες ποσότητες με γρήγορους ρυθμούς. Άλλες είναι οικονομικές, καθώς οι εταιρείες που επικεντρώνονται στην πρώιμη έρευνα και ανάπτυξη δυσκολεύονται να μετατρέψουν τις ανακαλύψεις τους σε κέρδος.
Άλλες βιομηχανίες έχουν ήδη λύσει αυτό το πρόβλημα. Ο Stef van Grieken, συνιδρυτής της Cradle, ενός εργαστηρίου πρωτεϊνών με τεχνητή νοημοσύνη που εδρεύει στο Άμστερνταμ και τη Ζυρίχη περιγράφει τη φαρμακευτική βιομηχανία ως «ιδιωτικά επενδυτικά κεφάλαια με συνημμένα εργαστήρια». Οι κλινικές δοκιμές για νέα φάρμακα μπορεί να είναι μία πολύ λεπτή υπόθεση, αλλά ενθαρρύνουν επενδύσεις που φέρνουν ανταποδοτικότητα σε ολόκληρη τη βιομηχανία, διοχετεύοντας πόρους πίσω στους ερευνητές. Δεν υπάρχει τέτοια πολυτέλεια για τους επιστήμονες υλικών: όσοι ασχολούνται με τον σχεδιασμό ενός υλικού πρέπει αναπόφευκτα να βρουν πως να το δοκιμάσουν, να το κατασκευάσουν και να το πουλήσουν επίσης.
Αυτό δεν έχει αποθαρρύνει την CuspAI. Ελπίζει να δημιουργήσει μια πλατφόρμα που μπορεί να σχεδιάζει υλικά κατά παραγγελία αφήνοντας σε μεγαλύτερες εταιρείες με εργαστήρια και εγκαταστάσεις παραγωγής να αναλάβουν τις δοκιμές και την κατασκευή.
Η Orbital Materials με έδρα το Λονδίνοχρησιμοποιεί επίσης την τεχνητή νοημοσύνη για να δημιουργήσει ένα MOF. Η εταιρεία εκπαίδευσε το δικό της μοντέλο από την αρχή χρησιμοποιώντας προσομοιώσεις σε υπερυπολογιστές για τη δημιουργία δεδομένων εκπαίδευσης, λέει ο Jonathan Godwin, πρώην ερευνητής στην Google DeepMind και συνιδρυτής της εταιρείας. Το τελικό αποτέλεσμα είναι εκατοντάδες εκατομμύρια προσομοιωμένες χημικές αλληλεπιδράσεις, καθεμία από τις οποίες αποτελείται από μερικές εκατοντάδες «tokens»: προηγμένες εκδοχές των σύντομων χημικών αντιδράσεων που συναντά κανείς σε ένα σχολικό εγχειρίδιο χημείας. Αυτός είναι ένας αριθμός δεδομένων εκπαίδευσης μικρότερος κατά τάξεις μεγέθους από εκείνον που απαιτείται για την εκπαίδευση ενός μεγάλου γλωσσικού μοντέλου. Είναι όμως όπως φαίνεται επαρκής για να δημιουργηθεί ένα μικρό και αποδοτικό μοντέλο που μπορεί να προβλέψει με ακρίβεια τις χημικές αλληλεπιδράσεις.
Αντί να λειτουργεί ως καθαρά εικονικό εργαστήριο όπως η CuspAI, που δημιουργεί AI και πουλάει τις ανακαλύψεις του, η Orbital προτίθεται να ασχοληθεί με την πραγματική έρευνα. Το θεμελιώδες μοντέλο της έχει ήδη προτείνει διάφορα MOFs και η Orbital έχει επενδύσει σε εσωτερικά εργαστήρια για να επαληθεύσει ότι λειτουργούν και μπορούν να παραχθούν σε μεγάλη κλίμακα. Τον Δεκέμβριο ανακοίνωσε μια συμφωνία με την Amazon Web Services για την ενσωμάτωση μιας ανακάλυψης σε ένα από τα τεράστια κέντρα δεδομένων της, όπου η απορριπτόμενη θερμότητα από το σύστημα ψύξης του αέρα θα τροφοδοτήσει τη χημική αντίδραση που απομακρύνει το CO2 από την ατμόσφαιρα. Ο στόχος είναι να καταστεί το κέντρο δεδομένων αρνητικό σε εκπομπές άνθρακα, με κόστος 20 σεντς ανά ώρα και ανά τσιπ. Αν πετύχει η Orbital θα έχει μετατρέψει μια ανακάλυψη που δημιουργήθηκε από AI σε ένα λειτουργικό προϊόν πιο γρήγορα από οποιαδήποτε εταιρεία στη φαρμακευτική βιομηχανία.
Άλλες εταιρείες προσπαθούν να αυτοματοποιήσουν εντελώς την ανάγκη για εργαστήρια. Ένας τέτοιος επιστήμονας είναι ο Aaike van Vugt, χημικός μηχανικός του οποίου η startup, VSParticle προσφέρει ουσιαστικά έναν νανοκλίμακας 3D εκτυπωτή: χρησιμοποιώντας μια τεχνική που ονομάζεται σπινθηροποίηση, δημιουργεί μια λεπτή μεμβράνη νέων υλικών, ένα νανοσωματίδιο κάθε φορά, ακολουθώντας μια μοναδική συνταγή για κάθε υλικό. Τέτοιες μεμβράνες μπορούν να χρησιμοποιηθούν σε μπαταρίες ή ως καταλύτες. Αν υιοθετηθεί ευρέως λέει ο van Vugt θα μπορούσε να απαλλάξει τους επιστήμονες υλικών από τον κόπο να καταλάβουν πως να παράγουν φυσικά ένα επιθυμητό υποψήφιο υλικό. Αντί να ανησυχούν για τη σύνθεση θα μπορούσαν απλά να στείλουν τη συνταγή στο εργαστήριο της VSParticle και να περιμένουν το τελικό προϊόν να εκτυπωθεί σε έναν από τους αυτοματοποιημένους κατασκευαστές της εταιρείας.
Αυτοματοποίηση και Τεχνητή Νοημοσύνη φέρνουν μία νέα εποχή
Η αυτοματοποίηση έχει προχωρήσει ακόμα περισσότερο. Το 2023 επιστήμονες από το MIT έδειξαν ότι ένα ρομπότ με τεχνητή νοημοσύνη μπορούσε να προβλέψει, να δημιουργήσει και να αναλύσει σχεδόν 300 νέες χημικές χρωστικές – οδηγώντας σε εννέα που σχεδιάστηκαν για να έχουν ιδιότητες ιδιαίτερα επιθυμητές στη βιοϊατρική απεικόνιση. Το 2024 μια ομάδα από το Πανεπιστήμιο του Τορόντο παρουσίασε έναν πράκτορα τεχνητής νοημοσύνης που κατάφερε (αν και με κάποια βοήθεια από ανθρώπους) να δημιουργήσει ένα υλικό υψηλής απόδοσης για λέιζερ.
Ο συνδυασμός τεχνητής νοημοσύνης και ρομποτικής για τη σύνθεση νέων υλικών θα ήταν τεράστιος, λέει ο Max Welling, συνιδρυτής της CuspAI. Ακόμη και μικρές διαφορές στην υγρασία ή την ποιότητα του αέρα μπορούν να καταστρέψουν τις πιθανότητες ενός εργαστηρίου να παραγάγει το επιθυμητό προϊόν. Αυτό ισχύει ακόμη περισσότερο για εργαστήρια που λειτουργούν με ρομπότ, γεγονός που έχει οδηγήσει ορισμένους επιστήμονες να αμφισβητήσουν τα αποτελέσματά τους. Το 2023 ερευνητές στο A-Lab, ένα αυτοματοποιημένο εργαστήριο στο Lawrence Berkeley National Laboratory ισχυρίστηκαν ότι δημιούργησαν 41 νέα υλικά που είχαν προβλεφθεί χρησιμοποιώντας δεδομένα από την Google DeepMind και το Materials Project. Μία πρωτοβουλία που στοχεύει να προσομοιώσει τις ιδιότητες όλων των ανόργανων υλικών. Η ανακοίνωση ήταν εντυπωσιακή, αλλά ερωτήματα σχετικά με την ανάλυση του μοντέλου έχουν οδηγήσει ορισμένους χημικούς να αμφιβάλλουν αν όντως παρήχθησαν νέα υλικά. Η ομάδα του A-Lab υπερασπίζεται την προσέγγισή της.
Προς το παρόν επικρατεί συγκρατημένη αισιοδοξία. Τον Νοέμβριο του 2024 η Meta ανακοίνωσε μια συνεργασία με την VSParticle και το Πανεπιστήμιο του Τορόντο, χρηματοδοτώντας τη δημιουργία, ανάλυση και ψηφιοποίηση περισσότερων από 500 πειραματικών ηλεκτροκαταλυτών — μιας κατηγορίας υλικών που θα μπορούσαν να είναι κρίσιμα για τη λειτουργία των μπαταριών επόμενης γενιάς.
Για τον Chad Edwards, τον άλλο συνιδρυτή της CuspAI το διακύβευμα είναι μεγαλύτερο από ένα νέο υλικό δέσμευσης άνθρακα. Αν το στοίχημα της εταιρείας του αποδώσει θα είναι μια ευκαιρία να αποδειχθεί ότι η τεχνητή νοημοσύνη μπορεί πραγματικά να συμβάλει ουσιαστικά στην επιστήμη. Μένει να το (απο)δείξει ο χρόνος.
*Με στοιχεία από τον Economist.
➪ Ακολουθήστε το OLAFAQ στο Facebook, Bluesky και Instagram.
