Оглавление

Исследователи из Массачусетского технологического института представили революционную платформу CRESt, которая кардинально меняет подход к научным открытиям в материаловедении. Система объединяет мультимодальное машинное обучение с роботизированными лабораториями, самостоятельно планируя и проводя эксперименты.

От ограниченного ИИ к полноценному научному партнеру

Традиционные системы машинного обучения в науке работают с ограниченным набором данных — обычно это химические составы или структурные параметры. CRESt ломает эту парадигму, интегрируя разнообразные источники информации:

  • Научную литературу и публикации
  • Химические составы и структурные данные
  • Микроструктурные изображения
  • Экспериментальные результаты
  • Человеческую интуицию и экспертные оценки

Как отмечает профессор Джю Ли: «Ключевой аспект ИИ в науке — проектирование новых экспериментов. Мы используем мультимодальную обратную связь — информацию из предыдущих публикаций о поведении палладия в топливных элементах при определенной температуре, человеческие оценки — чтобы дополнить экспериментальные данные и спроектировать новые исследования».

Пока одни боятся, что ИИ отниет работу у ученых, CRESt демонстрирует обратное — искусственный интеллект становится идеальным лабораторным ассистентом, который не устает, не ошибается из-за человеческого фактора и может обрабатывать данные с недоступной человеку скоростью. Интересно, сколько Нобелевских премий будет получено с помощью таких систем в ближайшее десятилетие.

Технологическая архитектура платформы

CRESt построена на сочетании передовых технологий машинного обучения и роботизированного оборудования:

  • Мультимодальные языковые модели для обработки научных текстов
  • Роботы для синтеза материалов
  • Автоматизированные электронные микроскопы для характеризации
  • Системы карботермального шока для быстрого синтеза
  • Электрохимические рабочие станции для тестирования

Система использует модифицированный подход байесовской оптимизации, который преодолевает ограничения традиционных методов. «Базовая байесовская оптимизация слишком упрощена. Она работает в ограниченном пространстве параметров, но реальные материалы имеют гораздо больше зависимостей», — объясняет Ли.

Практические результаты и открытия

В ходе испытаний CRESt исследовала более 900 химических составов и провела 3500 электрохимических тестов. Результатом стало открытие катализатора с рекордной плотностью мощности в топливном элементе, работающем на формиате соли.

Система способна самостоятельно наблюдать за экспериментами через камеры, обнаруживать проблемы и предлагать коррекции с помощью визуальных языковых моделей. Исследователи могут общаться с CRESt на естественном языке без необходимости программирования.

Работа опубликована в журнале Nature и представляет собой значительный шаг в автоматизации научных исследований.