Karusel sloužící k uspořádání a přesunu vzorků v laboratoři A-Lab. (Nature)
Umělá inteligence se v materiálovém výzkumu dlouho využívala především k vyhledávání vhodných sloučenin v databázích nebo k předpovídání jejich vlastností. Nová generace systémů však postupuje odlišně. Algoritmy již pouze neposuzují předem připravené kandidáty, ale mohou navrhovat vlastní chemické složení a krystalovou strukturu podle vlastností, které výzkumníci požadují.
Materiálové modely pracují s prostorovým uspořádáním atomů, energií vznikajících struktur a fyzikálními zákonitostmi. Jejich úkolem může být například navrhnout stabilní krystal s určitou tvrdostí, magnetickými vlastnostmi či elektrickou vodivostí. Výsledkem ovšem zatím není hotový výrobek, ale digitální návrh, který musí projít výpočty a následně laboratorním ověřením.
Od hledání v databázích ke generování krystalů
Rozsah možných kombinací chemických prvků a jejich prostorového uspořádání je natolik velký, že jej nelze systematicky prozkoumat běžnými experimenty. Umělá inteligence proto získává význam především jako nástroj pro omezení počtu kandidátů, které se vyplatí skutečně připravovat.
Rozsáhlý model GNoME, představený výzkumníky společnosti Google DeepMind, ukázal, jak rychle může strojové učení procházet dosud neprobádaný prostor krystalových struktur. Podle studie publikované v časopise Nature systém nalezl přibližně 2,2 milionu struktur, které výpočty označily za stabilní vzorky. Z nich asi 381 000 představovalo nové kandidáty ležící na vypočtené hranici termodynamické stability.
Takový výsledek však ještě neznamená objev více než dvou milionů reálně existujících materiálů. Stabilita vypočtená za určitých podmínek nezaručuje, že lze danou látku vyrobit, že vydrží při běžné teplotě ani že bude mít prakticky využitelné vlastnosti. GNoME je především vyhledávacím a predikčním systémem.
Další krok představují generativní modely, které vytvářejí nové atomární struktury přímo podle zadaných podmínek. Příkladem je MatterGen, difuzní model popsaný v roce 2025 rovněž v časopise Nature. Podobně jako generátor obrazu postupně odstraňuje šum z náhodného vstupu, MatterGen upravuje druhy atomů, jejich souřadnice a rozměry krystalové mřížky, dokud nevznikne fyzikálně přijatelná struktura.
Model lze zaměřit na požadovanou chemii, symetrii nebo mechanické, elektronické a magnetické vlastnosti. Studie uvádí, že struktury vytvořené modelem byly ve srovnání s předchozími metodami více než dvakrát častěji výpočetně stabilní. Jeden z navržených materiálů byl následně skutečně syntetizován a naměřená hodnota zkoumaného parametru se od stanoveného cíle lišila o méně než 20 procent.
Návrh zpracuje robotická laboratoř
Samostatný digitální návrh je pouze jednou částí procesu. Materiál je třeba připravit, analyzovat a podle výsledku experimentu upravit další postup. Tuto úlohu přebírají autonomní laboratoře, které propojují umělou inteligenci s robotickými rameny, pecemi a analytickými přístroji.
Jednou z takových laboratoří je systém A-Lab. Podle studie využíval výpočetní databáze, modely vycvičené na odborné literatuře, aktivní učení a automatickou analýzu rentgenové difrakce. Algoritmus vybral postup syntézy, robot navážil a smísil výchozí látky, vzorky zahřál a přístroje poté určily vzniklé fáze. Pokud experiment neuspěl, systém změnil podmínky a pokus zopakoval.
Během 17 dnů nepřetržitého provozu A-Lab uskutečnila stovky pokusů a podle autorů připravila 41 z 58 cílových anorganických sloučenin. Studie naznačuje, že uzavřený cyklus mezi návrhem, experimentem a vyhodnocením může probíhat bez průběžného rozhodování člověka. Současně však upozorňuje na obtížnost přesného určení, zda je určitá látka opravdu nová a zda automatická analýza správně rozpoznala výsledný produkt.
Autonomie má stále přesně vymezené hranice
Byť laboratoř pracuje v podstatě samostatně, člověk stále určuje vědecký cíl, vybírá dostupné prvky, stanovuje bezpečnostní pravidla a rozhoduje, které vlastnosti procesu mají být optimalizovány. Algoritmus je autonomní teprve uvnitř tohoto předem připraveného prostředí, které pro něj utvoří lidé.
Podle souhrnné studie o generativních modelech krystalů zůstávají zásadními problémy kvalita tréninkových dat, rozdílné způsoby hodnocení modelů a mezera mezi výpočetní stabilitou a skutečnou syntetizovatelností. Model se navíc může příliš přizpůsobit známým materiálům a navrhovat struktury, které jsou nové pouze formálně, nikoliv svými vlastnostmi.
-etcz-
Comments