Расчёты помогали сузить выбор, но полный перебор кристаллических структур оставался неподъёмной задачей. GNoME, модель Google DeepMind, предложила другой масштаб поиска: алгоритм сгенерировал 2,2 миллиона структур, из которых 380 000 были предсказаны как термодинамически стабильные.
Это важный поворот для химии и материаловедения, но слово «предсказаны» здесь принципиально. Расчётная стабильность не означает, что материал уже получен в лаборатории или что его можно синтезировать при обычных условиях. Нейросети помогают выбрать, какие гипотезы проверять первыми. Подтверждать их по-прежнему приходится экспериментом.
От перебора вариантов к предсказательной аналитике: как нейросети меняют химию
Один из основных инструментов теоретического материаловедения, теория функционала плотности (DFT), позволяет рассчитывать свойства вещества на основе квантовой механики. Например, оценивать энергию формирования кристалла и сравнивать устойчивость разных структур. Такие вычисления полезны, но требуют ресурсов. Когда возможных сочетаний элементов, атомов и кристаллических решёток очень много, рассчитать каждое из них напрямую трудно.
Здесь и появляется машинное обучение. Нейросеть обучают на известных структурах и рассчитанных для них свойствах. Затем она использует найденные закономерности, чтобы быстро оценивать новые варианты. Это не отменяет точных квантово-механических расчётов: модель помогает отобрать кандидатов, которым стоит уделить больше внимания.
Упрощённо процесс выглядит так: алгоритм предлагает структуру, оценивает её свойства и отсекает варианты, которые выглядят менее перспективными. Для наиболее интересных кандидатов исследователи могут провести более ресурсоёмкие расчёты, а затем проверить возможность синтеза в лаборатории. В этом смысле ИИ в материаловедении меняет порядок работы: физический эксперимент всё чаще следует за вычислительной фильтрацией, а не служит первым способом обследовать всё пространство вариантов.
Нейросеть может быстро подсказать, какую гипотезу проверить. Но ответ о существовании материала даёт не прогноз, а эксперимент.
Применение искусственного интеллекта в химии особенно заметно там, где важно сопоставить множество возможных составов. Модель не «понимает» вещество так, как химик, и не выводит новые законы природы. Она учится на данных, а потому качество её подсказок зависит от того, насколько хорошо обучающая выборка описывает задачу.
Масштаб прорыва: 2,2 миллиона структур в базе GNoME
GNoME расшифровывается как Graph Networks for Materials Exploration. Команда Google DeepMind представила результаты работы модели в ноябре 2023 года. Алгоритм предложил 2,2 миллиона новых кристаллических структур. Для 380 000 из них расчёты указали на термодинамическую стабильность.
Это крупный массив кандидатов для дальнейшей работы, но не перечень уже синтезированных материалов. Термодинамическая стабильность говорит о том, что структура по расчётам может быть устойчивой относительно определённых альтернатив. Она сама по себе не доказывает, что соединение удастся получить в лаборатории, что оно сохранится при конкретных условиях или окажется полезным в устройстве.
Результаты GNoME расширили доступный исследователям набор вычислительно перспективных структур. До интеграции этих данных в Materials Project открытая база содержала около 48 000 вычислительно стабильных неорганических кристаллов. После добавления результатов GNoME в базе оказалось около 421 000 таких структур. Важно читать эти значения именно как данные о вычислительных прогнозах, а не как число материалов, изготовленных и проверенных в лабораториях.
| Параметр | До GNoME | После добавления результатов GNoME |
|---|---|---|
| Вычислительно стабильные структуры в Materials Project | Около 48 000 | Около 421 000 |
| Тип материалов в области работы модели | Неорганические кристаллы | Неорганические кристаллы |
| Статус структур | Рассчитанные данные открытой базы | Расширенный набор кандидатов для исследования |
GNoME работает с неорганическими кристаллами. Органические соединения, полимеры, металлоорганические каркасы и биомолекулы не входят в область применения этой модели. Но даже внутри выбранной области поиск имеет прикладное значение: неорганические материалы используются в электронике, катализе, энергетике и других технологиях. Большая база потенциально интересных структур даёт учёным возможность задавать новые вопросы и проверять больше гипотез.
Автономные лаборатории: как роботы проверяют прогнозы ИИ
Вычислительная модель может отобрать кандидата, однако дальше начинается экспериментальная работа. Для синтеза важны состав исходных веществ и условия реакции: температура, время, атмосфера, давление и другие параметры. Один и тот же целевой состав может требовать разных подходов, а расчёт не всегда подсказывает, какой маршрут сработает.
Автономная лаборатория A-Lab в Национальной лаборатории имени Лоуренса в Беркли объединила роботизированные операции, синтез и анализ материалов. Система подбирает и смешивает исходные вещества, проводит твердофазный синтез, а затем исследует продукт с помощью рентгеноструктурного анализа. Полученные данные помогают определить, что именно образовалось и насколько результат соответствует ожидаемой структуре.
За 17 дней работы A-Lab предприняла 58 попыток синтеза и получила 41 соединение. Этот результат показывает, как автоматизация научных открытий может ускорить повторяющиеся лабораторные операции и систематизировать подбор условий. Но он не устанавливает универсальную долю успешных синтезов и не служит сравнением с работой химика в обычной лаборатории: результат зависит от набора кандидатов, выбранных условий и критериев успеха.
Автономность тоже не означает отсутствия людей. Исследователи задают задачу, проектируют эксперимент, определяют, какие вещества и условия допустимы, и интерпретируют результаты. Роботизированная система выполняет часть процедур и помогает быстрее проходить циклы проб и измерений. В этом её сила: она не заменяет химика, а берёт на себя операции, которые можно воспроизводимо автоматизировать.
Предсказание становится научным результатом только после проверки. Робот может провести эксперимент, но его смысл всё равно определяет исследователь.
Вокруг GNoME ведутся и независимые проверки. В исследовательских работах сообщалось о синтезе 736 структур из числа предсказанных моделью в разных лабораториях. Это свидетельствует о том, что часть кандидатов можно получить и за пределами лаборатории разработчиков. Однако цифры такого рода не следует путать с подтверждением всего массива прогнозов: каждая структура проходит собственный путь от расчёта к синтезу и анализу.
Поиск материалов будущего: от литий-ионных проводников до слоистых структур
Большой каталог структур ценен не сам по себе. Исследователям важно найти среди кандидатов материалы с конкретными свойствами: например, способные проводить ионы лития, взаимодействовать со светом или работать как катализаторы. Данные GNoME помогают очертить перспективные направления, но для практического применения необходимы дополнительные расчёты и эксперименты.
Одно из таких направлений связано с твёрдыми электролитами для аккумуляторов. В результатах анализа GNoME выделялись 528 потенциальных литий-ионных проводников. Твёрдый электролит способен переносить ионы лития без жидкого компонента, но одного расчётного указания на проводимость недостаточно. Нужно установить, как материал ведёт себя при рабочих температурах, насколько быстро перемещаются ионы, можно ли получить его в нужной форме и сохраняет ли он свойства при контакте с другими компонентами батареи.
Второе направление связано с двумерными материалами. Среди предсказанных структур было выделено около 52 000 соединений со слоистыми или близкими к гексагональным структурами. Такие материалы интересны для исследований электроники, фотоники и катализа. Но предсказанная слоистая геометрия ещё не говорит, насколько легко кристалл удастся расщепить на тонкие слои и будут ли эти слои обладать нужными свойствами в реальном устройстве.
Другой подход предлагает генеративная модель MatterGen, представленная Microsoft в декабре 2023 года. Она предназначена для поиска структур под заданные свойства. Если GNoME помогает оценить уже предложенную кристаллическую структуру, генеративный подход начинает с цели и пытается предложить варианты, которые могли бы ей соответствовать. Например, исследователь задаёт желательные характеристики, а модель формирует кандидатов для дальнейшей проверки.
В январе 2024 года Microsoft совместно с Pacific Northwest National Laboratory сообщила о поиске твёрдого электролита с помощью вычислительных инструментов. В этой работе анализировали большой набор неорганических материалов, после чего перспективный вариант потребовал лабораторной проверки. Такой пример показывает, как искусственный интеллект в химии может связывать поиск по большим базам с выбором кандидатов для эксперимента. Но он не устраняет главную развилку: рассчитанное свойство ещё предстоит подтвердить на образце.
У моделей разная роль. Алгоритм, оценивающий стабильность, помогает отобрать структуры, которые стоит изучить. Генеративная модель пытается предложить варианты под целевое свойство. Ни один подход не гарантирует, что найденный материал окажется синтезируемым, долговечным, доступным или экономически оправданным. Это выясняется на следующих этапах исследования.
Границы возможностей: почему ИИ не заменяет учёного
Основное ограничение прогнозов простое: стабильность и синтезируемость связаны, но не равны друг другу. Структура может выглядеть устойчивой в расчётах, однако экспериментальный путь к ней окажется сложным. Могут потребоваться особые температуры, давления или исходные вещества. А полученный образец может отличаться от расчётной модели или содержать примеси.
Не менее важна область, на которой обучалась система. Если в данных мало примеров материалов с определёнными свойствами, модель хуже ориентируется в таких задачах. Для необычных условий и состояний вещества может не хватать экспериментальных данных, а предсказание за пределами знакомых ей закономерностей становится менее надёжным. Нейросеть способна предложить кандидата, но не может своим прогнозом заменить измерение.
Практический смысл материала тоже не выводится из одной структуры. Для будущего применения придётся выяснить, можно ли воспроизводимо получать вещество, как оно ведёт себя при эксплуатации, насколько совместимо с другими материалами и подходит ли выбранный способ производства. Успешный синтез в лаборатории становится важной вехой, но не означает, что материал уже готов для промышленного использования.
Поэтому числа GNoME следует понимать как карту возможностей, а не как список готовых изобретений. Из 2,2 миллиона структур часть была рассчитана как термодинамически стабильная. Некоторые кандидаты уже привлекли экспериментальное внимание, другие требуют дальнейшей проверки. Между вычислительным результатом и новым материалом остаются синтез, анализ, повторение эксперимента и оценка свойств.
Применение искусственного интеллекта меняет масштаб научного поиска: исследователи могут быстрее просматривать пространство кандидатов и направлять усилия на более интересные варианты. Но автоматизация не снимает с науки обязанности проверять свои предсказания. Нейросеть помогает сформулировать гипотезу, роботизированная лаборатория может ускорить часть проверок, а решение о том, что именно удалось получить и почему это важно, остаётся за человеком.