Egy új eszköz fellendíti a generatív mesterséges intelligencia modelleket az áttörést jelentő anyagok feltalálásához

A szövegből képeket létrehozó MI-modellek új anyagok létrehozásában is segítenek. Az elmúlt években a Google, a Microsoft és a Meta eszközei az adataikat felhasználva segítették a tudósokat több millió új anyag tervezésében.

Ezek a modellek akadoznak, amikor ritka kvantumtulajdonságokkal, például szupravezetéssel vagy furcsa mágneses állapotokkal rendelkező anyagokat hoznak létre. Ez a hiányosság hátráltatja a fejlődést. Az embereknek jobb eszközökre van szükségük. Vegyük például a kvantumspin-folyadékokat, egy olyan anyagcsoportot, amely átalakíthatja a kvantum-számítástechnikát. Tíz évnyi munka után mindössze tizenkét lehetőség létezik. Ez a hiány lassítja a technológiai fejlődést.

Az MIT tudósai találtak egy módszert arra, hogy a közönséges generatív modelleket a hasznos kvantumanyagok felé tereljék. Egyszerű szabályokat alkalmaznak a kimenetek alakítására. Ezek a szabályok arra késztetik a modelleket, hogy speciális struktúrákat hozzanak létre, amelyek kvantumhatásokat váltanak ki.

„A nagyvállalati modellek a stabil anyagokra összpontosítanak” – mondja Mingda Li, az MIT professzora. „De a tudomány másképp fejlődik. Nincs szükségünk több millió lehetőségre a világ megváltoztatásához. Egyetlen top anyag elvégzi a munkát.”

Módszerük a Nature Materials új tanulmányában jelent meg. A csapat futtatta, hogy több millió olyan jelöltet állítson elő, amelyek rácsmintázatai kvantumtulajdonságokhoz kapcsolódnak. Ezután két valódi anyagot építettek, amelyek furcsa mágneses viselkedést mutatnak.

„A kvantumszakértők nagyra értékelik ezeket a rácsformákat, mint például a Kagome-i összefonódó háromszögeket” – magyarázza Li. „Kagome struktúrákat készítettünk. Ritkaföldfémekhez hasonlóan viselkednek, amelyek nagyon fontosak a technológia számára.”

Li vezette a tanulmányt. Az MIT csapatának tagjai Ryotaro Okabe, Mouyang Cheng, Abhijatmedhi Chotrattanapituk és Denisse Cordova Carrizales posztgraduális hallgatók; Manasi Mandal posztdoktor; Kiran Mak és Bowen Yu alapképzéses hallgatók; Nguyen Tuan Hung látogató; Xiang Fu friss diplomás; és Tommi Jaakkola, a CSAIL-hez és az Adatok, Rendszerek és Társadalom Intézetéhez kötődő informatikai professzor. Továbbiak Yao Wang az Emory Egyetemről, Weiwei Xie a Michigan Állami Egyetemről, YQ Cheng az Oak Ridge Lab-ból és Robert Cava a Princeton Egyetemről.

Vezető modellek a valódi hatáshoz

Egy anyag tulajdonságai a felépítéséből fakadnak. A kvantumanyagok követik a példát. Egyes atomrendszerek egzotikus kvantumviselkedéseket szülnek, mint mások. A négyzetrácsok a magas hőmérsékletű szupravezetőket segítik. Kagome és Lieb kvantumszámítástechnikai anyagokat rácsoznak vissza.

A diffúziós modellek – egy kulcsfontosságú generatív típus – pontos mintázatok felé tereléséhez a csapat megalkotta a SCIGEN-t. Ez a kód a strukturális korlátozások integrációját jelenti a generatív modellekben. Ez a kód minden lépésben a kiválasztott szabályokkal tartja a modelleket a helyes úton. A felhasználók ezeket a szerkezeti útmutatókat betáplálhatják bármely diffúziós mesterséges intelligenciába, hogy alakítsák az anyagterveket.

A mesterséges intelligencia által létrehozott diffúziós modellek a tanulóadataikból vett minták alapján hoznak létre struktúrákat. Ezek a struktúrák megegyeznek az adatokban látható mintázatokkal. A SCIGEN leállítja a kulcsfontosságú szerkezeti szabályokat megsértő kimeneteket.

A kutatók a SCIGEN-t a DiffCSP-n, egy jól ismert mesterséges intelligencia által létrehozott anyagkészítő eszközön tesztelték. A frissített modellt speciális alakú, archimédészi rácsoknak nevezett anyagok előállítására használták. Ezek különböző poligonokból készült 2D-s csempézések. Az ilyen rácsok változatos kvantumhatásokat váltanak ki, és számos tanulmányt vonzanak maguk után.

„Az archimédészi rácsok kvantum spinfolyadékokat és lapos sávokat hoznak létre” – mondja Cheng, a tanulmány vezető szerzője. „Ezek a sávok ritkaföldfém-tulajdonságokként viselkednek, ritkaföldfémek használata nélkül. Ezért létfontosságúak. Egyes rácsok nagy pórusokat képeznek a szén megkötésére vagy más felhasználásra. Egyedi anyagok csoportját alkotják. Bizonyos esetekben még nincs valódi anyag, amely megfelelne ennek a ráccsal. Izgalmas lenne megtalálni az elsőt.”

A modell több mint 10 millió jelöltet készített ezekkel a ráccsal. Egymillió megfelelt a stabilitási ellenőrzéseknek. Az Oak Ridge Nemzeti Laboratóriumban a csapat 26 000-et választott ki ebből a csoportból. Mély szimulációkat futtattak szuperszámítógépeken, hogy megfigyeljék, hogyan viselkednek az atomok bennük. A mágnesesség 41 százalékuknál mutatkozott meg.

Ezekből a csapat két új vegyületet állított elő Xie és Cava laboratóriumaiban: TiPdBi és TiPbSb. A tesztek megerősítették, hogy a mesterséges intelligencia jóslatai jól illeszkednek a valós tulajdonságokhoz.

„Célunk nagy potenciállal rendelkező új anyagok megtalálása volt” – mondja Okabe, a vezető szerző. „Ezek a formák már most is kapcsolódnak a kvantumjellemzőkhöz. Érdemes onnan kiindulni.”

Az anyagfelfedezések felgyorsítása

A kvantum spinfolyadékok működtethetik a kvantumszámítógépeket. Állandó qubiteket képezhetnek, amelyek ellenállnak a hibáknak a kulcsfontosságú műveletek során. Ilyen anyagok azonban még nem léteznek. Xie és Cava úgy gondolja, hogy a SCIGEN felgyorsítja a keresést.

„A tudósok anyagokat keresnek kvantumszámítógépekhez és speciális szupravezetőkhöz” – jegyzi meg Xie. „Mindegyik anyagformához kötődik.” „A laboratóriumi munka túl lassan halad” – mondja Cava. „Ezeknek a spinfolyadékoknak olyan formákra van szükségük, mint a háromszög alakú vagy a Kagome-rács. Ennek a szabálynak a betartása izgalomba hozza a kvantumszakértőket. Szükséges, de nem elég. A SCIGEN gyorsan rengeteg lehetőséget teremt. Ez több száz vagy ezernyi lehetőséget ad a kísérletezőknek a tesztelésre és a kvantumkutatás előmozdítására.”

Steve May, a Drexel Egyetem professzora, akinek nem volt szerepe a tanulmányban, így magyarázza: „Ez a tanulmány egy új eszközt mutat be, amely gépi tanulást használ bizonyos elemek célalakban történő elrendeződésének előrejelzésére. Ez felgyorsítja a jövőbeli elektronikai, mágneses vagy optikai anyagokon végzett munkát.”

A csapat rámutat, hogy a laboratóriumi tesztek továbbra is kulcsfontosságúak annak ellenőrzésére, hogy a mesterséges intelligencia által javasolt anyagok előállíthatók-e, és hogy valós tulajdonságaik megfelelnek-e a modell által vártnak. A SCIGEN-nel végzett későbbi erőfeszítések további szabályokat adhatnak a modellekhez, például a vegyi anyagokra vagy funkciókra vonatkozó korlátozásokat.

Okabe megjegyzi: „Azok, akik a világ átalakítására törekszenek, inkább az anyagok teljesítményére összpontosítanak, mint az alakjukra vagy a tartósságukra. Módszerünk csökkenti a stabil lehetőségek arányát, mégis számos reményteljes új anyagot tesz elérhetővé.”

A projektet az Egyesült Államok Energiaügyi Minisztériuma, a Nemzeti Energiakutatási Tudományos Számítástechnikai Központ, a Nemzeti Tudományos Alapítvány és az Oak Ridge Nemzeti Laboratórium finanszírozta.