Группы разработчиков материалов используют моделирование с помощью искусственного интеллекта для более быстрой проверки миллионов идей, даже если точность при этом немного снижается.
В нашем последнем выпуске Lexicon мы побеседовали с Джошуа Янгом, старшим научным сотрудником по применению технологий в компании Matlantis, о том, как искусственный интеллект (ИИ) меняет способы открытия новых материалов. Материаловедение всегда было основой современных технологий, но сегодня оно все больше развивается благодаря моделированию, данным и машинному обучению.
Янг объяснил, как ускоренные с помощью ИИ симуляции помогают исследователям проверять миллионы потенциальных материалов с беспрецедентной скоростью, почему многие команды готовы пожертвовать идеальной точностью ради более быстрых результатов и почему полностью автономные открытия остаются недостижимыми.
Он также объяснил, почему доверие, защита интеллектуальной собственности и экспертные знания остаются ключевыми факторами по мере внедрения ИИ в реальные исследования материалов.
Кроме того, подпишитесь на IE+, чтобы получать эксклюзивные аналитические материалы и контент премиум-класса!
Искусственный интеллект как ускоритель
Как объяснил Янг, когда люди слышат фразу «искусственный интеллект в материаловении», они часто представляют себе «полное открытие материалов от начала до конца». Однако на практике инструменты ИИ интегрируются в существующие рабочие процессы, а не заменяют их целиком.
«Наше текущее исследование показывает, что многие исследователи сочетают эти новые инструменты моделирования на основе ИИ с более традиционными методами, основанными на физике, такими как теория функционала плотности», — пояснил он.
Янг добавил, что около половины опрошенных команд уже используют в производстве платформы моделирования, изначально разработанные для ИИ, даже несмотря на то, что традиционные методы по-прежнему составляют незначительное большинство от общего объема работы.
«Это свидетельствует о том, что ИИ в настоящее время сосуществует с существующими методами и дополняет их, — сказал Янг, — главным образом для ускорения отдельных этапов исследований, а не для полного захвата процесса открытия от начала до конца».
Почему полная автономия до сих пор нам недоступна
Хотя моделирование и эксперименты с использованием ИИ технически возможны уже сегодня, Янг подчеркивает, что они остаются фрагментарными. «Главная проблема сейчас в том, что они все еще несколько разрознены и разделены на отдельные области», — объясняет он.
Моделирование выдает текстовые результаты. Эксперименты генерируют изображения, спектры и данные микроскопии. Интеграция этих разрозненных потоков данных в единую замкнутую систему представляет собой чрезвычайно сложную задачу. «Хотя все это существует, настоящая проблема в области автономного поиска заключается в том, чтобы связать все эти элементы воедино», — добавил он.
В результате, по оценкам Янга, широкомасштабное, полностью автономное открытие материалов в самых разных областях «вероятно, произойдет еще через несколько лет, может быть, через три-пять лет».
Люди участвуют в процессе
Даже несмотря на развитие автоматизации, Янг уверен, что человеческий опыт по-прежнему имеет важное значение. «Мы называем это участием человека в процессе, верно?» — сказал он. «Человеческая интуиция не нужна. Нам по-прежнему необходимы экспертные знания в предметной области для интерпретации результатов и проведения экспериментов», — добавил он.
Хотя агенты искусственного интеллекта все чаще используются для автоматизации отдельных этапов моделирования и анализа, Янг утверждает, что полное исключение людей, скорее всего, приведет к неудовлетворительным результатам.
«Полностью автономная работа, пожалуй, является целью, — сказал он, — но, я думаю, в какой-то момент участие человека в процессе — это путь к достижению реального ускорения и открытию новых материалов», — добавил он.
Одна из ключевых причин, объяснил он, — это доверие. Согласно опросу, лишь около 14% исследователей сообщают об очень высоком уровне доверия к системам ИИ. «Часть этой неуверенности проистекает из отсутствия очень высокого уровня доверия», — объясняет Янг. Без экспертного контроля существует реальный страх «мусор на входе — мусор на выходе», добавил он.
Скорость важнее совершенства
Один из самых поразительных результатов опроса Matlantis — готовность исследователей жертвовать точностью ради скорости. «73% исследователей готовы пожертвовать некоторой точностью ради получения результатов в 100 раз быстрее», — отметил Янг.
Для специалистов в области вычислительной техники это обычно означает принятие отклонений в пять-десять миллиэлектронвольт на атом, что достаточно мало для сохранения значимых тенденций. «Готовность принимать эти отклонения показывает, что отрасль в значительной степени сосредоточена на производительности и возможностях скрининга, а не на абсолютном совершенстве», — сказал он нам.
Более того, давление реально. «94% опрошенных команд были вынуждены отказаться от некоторых проектов по моделированию из-за нехватки времени», — сказал Янг. В результате скорость перестала быть просто удобством; она стала необходимым условием для инноваций.
«Это свидетельствует о прагматическом сдвиге, — пояснил он, — когда скорость рассматривается как главный фактор, способствующий внедрению инноваций, которые в настоящее время застряли из-за вычислительных узких мест».
Моделирование как инструмент определения направления развития
Янг также выступил против идеи о том, что моделирование должно давать идеальные прогнозы, чтобы быть полезным. Ссылаясь на интервью с профессором Юкихиро Шимогаки из Токийского университета, он отмечает, что «точность не должна сводиться к точному измерению».
Вместо этого, моделирование наиболее ценно, когда оно «правильно предсказывает качественные тенденции и сужает пространство поиска». В этой концепции моделирование с использованием ИИ выступает в качестве фильтра, быстро отсеивая слабых кандидатов, чтобы экспериментальные ресурсы можно было сосредоточить там, где они наиболее важны.
Реальные победы
Помимо теории, моделирование с использованием ИИ уже приносит ощутимые результаты. «Эти симуляции с применением ИИ уже приносят измеримую выгоду», — сказал нам Янг. Организации, использующие их, сообщают о средней экономии около 109 000 долларов на проект, что обусловлено сокращением количества физических экспериментов, снижением вычислительных затрат и ускорением итераций.
В одном из тематических исследований химическая компания оценила 13 потенциальных улучшений катализаторов. «При использовании традиционных методов им потребовалось бы два или три года», — сказал Янг.
Используя моделирование на основе искусственного интеллекта, они пришли к тому же выводу всего за шесть недель. «Они были действительно довольны», — добавил он, — «потому что избежали многолетней напрасной траты усилий».
В другом примере исследователи протестировали 32 миллиона потенциальных материалов для твердотельных батарей менее чем за неделю. «Традиционно на это ушли бы десятилетия, возможно», — добавил Янг. В результате прототип батареи был разработан менее чем за девять месяцев.
Доверие, интеллектуальная собственность и безопасность
Несмотря на эти достижения, доверие по-прежнему остается ограничивающим фактором, особенно в отношении интеллектуальной собственности. «Безопасность данных, по сути, не подлежит обсуждению», — сказал Янг. Ни один из респондентов в опросе не считал защиту интеллектуальной собственности несущественной проблемой.
«Эти прорывы в области материалов могут стоить миллиарды долларов», — пояснил он, что делает опасения по поводу утечки данных или раскрытия моделей вполне обоснованными. В результате компании все чаще требуют строгих мер защиты, развертывания частных облачных решений или использования локальных решений.
Янг подчеркивает, что клиенты сохраняют полное право собственности на свои данные. «Мы не вмешиваемся ни в какие вопросы, связанные с интеллектуальной собственностью. Вся интеллектуальная собственность остается за пользователем», — добавил он.
Предстоящий путь
Заглядывая на пять лет вперед, Янг считает, что масштабный высокоскоростной скрининг станет рутинной процедурой. «Запуск тысяч, сотен тысяч, миллионов симуляций за дни или недели, — сказал он, — вероятно, станет стандартной базовой процедурой для запуска любых новых проектов».
Он также предвидит появление самоуправляемых лабораторий или интегрированных систем, где моделирование запускает роботизированные эксперименты, а результаты экспериментов напрямую передаются в модели искусственного интеллекта. «Превращение даже физических сбоев в преимущества», — как он выразился.
Что особенно важно, Янг не считает, что такое будущее отодвинет ученых на второй план. «Вместо того чтобы заменить ученых, это действительно освободит ученых и исследователей для реализации новых идей», — сказал он.
Автоматизируя трудоемкие этапы исследований, ИИ позволяет людям сосредоточиться на том, что у них получается лучше всего. «Все это время, затраченное на трудоемкие задачи, можно направить на инновации», — заключил Янг. «В этом и заключается наша, людей, сила: в разработке планов, стратегий и новых идей».
Sourse: interestingengineering.com
