Искусственный интеллект уже умеет предлагать миллионы новых материалов. Проблема в том, что придумать красивую кристаллическую структуру гораздо проще, чем создать вещество, которое действительно будет устойчивым и которое можно получить в лаборатории. Два новых исследования показывают, как этот разрыв начинают сокращать: один AI помогает отсеивать химически несостоятельные идеи ещё до дорогих вычислений, другой — предлагает реальные рецепты синтеза и корректирует их после эксперимента.

Исследователи MIT разработали систему CrysVCD, которая добавляет химические ограничения непосредственно в процесс генерации новых кристаллических материалов. Обычно генеративная модель сначала создаёт огромное число структур, после чего их приходится отдельно проверять на устойчивость. По словам авторов работы, именно такая проверка может составлять около 90% вычислительных затрат и занимать недели или месяцы.

CrysVCD действует иначе. Сначала языковая модель предлагает химически допустимые формулы с учётом правил валентности электронов, а затем диффузионная модель строит соответствующие атомные структуры. В работе, опубликованной в Nature Computational Science, исследователи сообщили, что такой подход позволил получать стабильные материалы примерно на порядок эффективнее традиционной схемы с последующей фильтрацией. В отдельных тестах около 68% созданных структур проходили проверку механической стабильности, а показатель метастабильности достигал 85%.

Авторы также показали, что систему можно направлять не просто на поиск устойчивых веществ, а на материалы с заданными свойствами — например, высокой теплопроводностью или большой диэлектрической проницаемостью. Такие характеристики особенно интересны для полупроводниковой промышленности и систем охлаждения дата-центров.

Но даже если компьютер нашёл перспективную структуру, остаётся другой вопрос: как её реально приготовить?

Этим занимается второе исследование. Команда из Sungkyunkwan University, Ajou University и MIT создала платформу, в которой большая языковая модель предлагает уже не формулу вещества, а конкретный лабораторный рецепт. Исследователи собрали данные о синтезе из 4407 научных работ: какие прекурсоры использовались, при какой температуре, давлении и в течение какого времени проходила реакция.

Когда учёный задаёт новый материал, система ищет похожие случаи в литературе и на их основе предлагает условия синтеза. Но особенно интересно то, что работа AI на этом не заканчивается. Результаты реального эксперимента можно вернуть модели, после чего она предлагает следующий вариант рецепта.

Исследователи проверили эту схему на новом твёрдом электролите для аккумуляторов. Первый предложенный AI эксперимент при температуре 600 °C привёл к появлению примесей. Получив эту информацию, система предложила снизить температуру. Последующие опыты провели при 450 °C и затем при 400 °C — и уже через несколько итераций исследователям удалось получить однофазный материал без обнаруживаемых примесей.

Таким образом, две работы описывают разные части одной и той же цепочки. В первом случае AI помогает ответить на вопрос «какой материал стоит попробовать создать?», во втором — «как именно его синтезировать?». Между этими этапами постепенно возникает замкнутый цикл: модель предлагает гипотезу, лаборатория проверяет её, результат возвращается системе, а та корректирует следующий эксперимент.

Пока речь не идёт о лабораториях, полностью работающих без человека. Экспериментаторы по-прежнему определяют цели, контролируют измерения и решают, каким результатам доверять. Но граница между «AI как поисковой системой» и «AI как участником исследования» заметно сдвигается.

Если подобные подходы окажутся универсальными, разработка новых материалов может стать значительно быстрее: вместо перебора тысяч вариантов исследователи будут получать более короткий список химически правдоподобных кандидатов и сразу вместе с ними — обоснованные варианты лабораторного синтеза.

Источники: MIT News — AI helps design new materials that work in the real world; Nature Computational Science — работа по CrysVCD; Phys.org — LLM-based platform for generating new materials synthesis recipes.