Современные генеративные модели искусственного интеллекта (ИИ) создали обширные базы данных теоретических знаний, однако их практическое применение зачастую сопряжено с существенными трудностями и высокой степенью сложности. Исследователи из Массачусетского технологического института (MIT) разработали инновационную модель ИИ, предназначенную для оптимизации синтеза сложных материалов. Данная модель, известная как DiffSyn, использует метод диффузии, аналогичный алгоритмам, применяемым в генеративных моделях изображений, таких как DALL-E. DiffSyn была обучена на обширной базе данных, включающей более 23 000 опубликованных рецептов синтеза за последние полвека, что обеспечивает ей значительный объем эмпирических знаний.
При введении конкретной структуры материала, модель предлагает множество комбинаций параметров процесса синтеза, таких как температура реакции, время, соотношение исходных компонентов и другие ключевые факторы, что позволяет учёным выбирать наиболее оптимальные условия для достижения желаемого результата. Ведущий автор исследования, аспирант MIT Элтон Пан, отмечает: «Мы знаем, какого результата хотим достичь, но не всегда понимаем, как это сделать». Традиционные методы синтеза материалов опираются на экспертные знания и эмпирические подходы, часто требующие значительных временных затрат и многочисленных итераций.
В отличие от предшествующих методов, которые ориентировались на поиск единственного решения, DiffSyn предлагает множество альтернативных путей синтеза для одного и того же материала, что более точно отражает экспериментальную реальность. Тестирование модели на цеолитах продемонстрировало её высокую эффективность в предсказании оптимальных методик синтеза. Следуя рекомендациям DiffSyn, исследовательская группа успешно синтезировала новый цеолит с улучшенными характеристиками термической стабильности, что открывает перспективы его применения в катализе.
Модель способна анализировать тысячи вариантов синтеза в минуту, предоставляя учёным оптимальные начальные условия для экспериментов с новыми материалами. Исследователи полагают, что данный подход может быть адаптирован для синтеза различных типов материалов, включая металлоорганические каркасы (MOF) и неорганические твёрдые вещества. Конечная цель состоит в интеграции таких систем с автономными лабораториями, что позволит значительно ускорить процесс разработки новых материалов.
Ожидается, что к 2026 году подобные разработки станут ключевым фактором прогресса в области материаловедения, сократив время от теоретического предсказания до получения реального образца с недель до часов. Это создаст новые возможности для быстрого создания материалов с заданными характеристиками, которые найдут широкое применение в энергетике, медицине и электронике.