Η πρόβλεψη ενός νέου υλικού στον υπολογιστή είναι μόνο η αρχή. Το δύσκολο βήμα είναι να βρεθούν οι σωστές πρώτες ύλες, θερμοκρασίες, πιέσεις και χρόνοι ώστε το υλικό να παρασκευαστεί πραγματικά στο εργαστήριο. Μια διεθνής ομάδα δημιούργησε πλατφόρμα που χρησιμοποιεί μεγάλο γλωσσικό μοντέλο για να προτείνει συνταγές σύνθεσης και να τις διορθώνει με βάση τα αποτελέσματα των πειραμάτων.
Το σύστημα αναπτύχθηκε από την ομάδα του καθηγητή Sung Beom Cho στο Πανεπιστήμιο Sungkyunkwan, σε συνεργασία με ερευνητές του Ajou University και τον καθηγητή Ju Li του MIT. Στόχος δεν είναι να αντικατασταθεί ο χημικός, αλλά να περιοριστεί η χρονοβόρα διαδικασία δοκιμής και σφάλματος.
Από 4.407 εργασίες σε προτεινόμενες «συνταγές»
Οι ερευνητές δημιούργησαν βάση δεδομένων εξάγοντας πληροφορίες από 4.407 ανοικτές επιστημονικές εργασίες στερεάς σύνθεσης. Κατέγραψαν υλικά-στόχους, πρόδρομες ουσίες και συνθήκες όπως θερμοκρασία, χρόνος, πίεση και ταχύτητα ανάδευσης.
Όταν ένας επιστήμονας περιγράφει το υλικό που θέλει να δημιουργήσει, ένα σύστημα retrieval-augmented generation αναζητά παρόμοιες περιπτώσεις στη βάση και δίνει στο γλωσσικό μοντέλο το σχετικό τεκμηριωμένο πλαίσιο. Έτσι η πρόταση δεν βασίζεται μόνο στη γενική γλωσσική γνώση του μοντέλου.
Σε σύγκριση με συνθήκες που είχαν ήδη αναφερθεί σε επιστημονικές δημοσιεύσεις, οι προτάσεις του συστήματος βαθμολογήθηκαν κατά μέσο όρο περίπου με 4 στα 5 στα βασικά χαρακτηριστικά της σύνθεσης. Αυτό δεν σημαίνει ότι κάθε πρόταση λειτουργεί· δείχνει ότι μπορεί να αποτελέσει χρήσιμο σημείο εκκίνησης.
Η αποτυχία έγινε μέρος της λύσης
Η πραγματική δοκιμή έγινε σε υποψήφιο οξυσεληνιούχο στερεό ηλεκτρολύτη για μπαταρίες στερεάς κατάστασης. Στους 600°C, που ήταν η πρώτη πρόταση της τεχνητής νοημοσύνης, σχηματίστηκαν ανεπιθύμητες φάσεις αντί για καθαρό υλικό.
Οι ερευνητές επέστρεψαν το αποτέλεσμα στο μοντέλο. Η επόμενη πρόταση μείωσε σταδιακά τη θερμοκρασία: πρώτα στους 450°C και έπειτα στους 400°C. Με λίγες δοκιμές πέτυχαν μονοφασικό νέο υλικό χωρίς ανιχνεύσιμες προσμίξεις. Η αξία της πλατφόρμας βρίσκεται ακριβώς σε αυτόν τον κλειστό βρόχο ανάμεσα σε πρόταση, πείραμα και διόρθωση.
Η μέθοδος εξακολουθεί να χρειάζεται ανθρώπινο έλεγχο, αξιόπιστα δεδομένα και εργαστηριακή επιβεβαίωση. Ένα LLM μπορεί να προτείνει πειστικό αλλά λανθασμένο βήμα, επομένως δεν αποτελεί αυτόνομο χημικό. Μπορεί όμως να οργανώσει τη βιβλιογραφία και να βοηθήσει τους ειδικούς να εξετάσουν λιγότερες, καλύτερα αιτιολογημένες επιλογές.
Η ποιότητα των προτάσεων εξαρτάται επίσης από την ποιότητα της δημοσιευμένης βιβλιογραφίας. Ελλιπείς πειραματικές λεπτομέρειες, διαφορετικές ονομασίες για την ίδια ουσία ή αποτελέσματα που δεν αναπαράγονται μπορούν να οδηγήσουν το σύστημα σε λάθος κατεύθυνση. Γι’ αυτό η πλατφόρμα παρουσιάζεται ως εργαλείο υποστήριξης αποφάσεων: ο ειδικός ελέγχει τη χημική λογική, την ασφάλεια και το κατά πόσο μια συνταγή μπορεί να εφαρμοστεί στον διαθέσιμο εξοπλισμό.
Πηγές: η επίσημη ανακοίνωση του Sungkyunkwan University και η λίστα δημοσιεύσεων του εργαστηρίου.
