Прибор размером с микроволновую печь в Lila Sciences в Кембридже, штат Массачусетс, не сильно отличается от других, которые я видел в передовых материаловедческих лабораториях. Внутри вакуумной камеры машина облучает палитру различных элементов для создания испаренных частиц, которые затем пролетают через камеру и оседают, образуя тонкую пленку, с использованием техники, называемой распылением. Отличительной особенностью этого прибора является то, что экспериментом управляет искусственный интеллект; агент ИИ, обученный на огромных объемах научной литературы и данных, определил рецептуру и варьирует комбинацию элементов.
Позже человек отнесет образцы, каждый из которых содержит несколько потенциальных катализаторов, в другую часть лаборатории для тестирования. Другой агент ИИ просканирует и интерпретирует данные, используя их для предложения нового раунда экспериментов с целью оптимизации характеристик материалов.
Эта статья является частью раздела MIT Technology Review Hype Correction, серии, которая корректирует ожидания относительно того, что такое ИИ, что он делает возможным и куда мы движемся дальше.
Пока что ученый внимательно следит за экспериментами и одобрит следующие шаги на основе предложений ИИ и результатов испытаний. Но стартап убежден, что эта машина, управляемая ИИ, — это взгляд в будущее открытия материалов, в котором автономные лаборатории могут сделать создание новых и полезных соединений гораздо дешевле и быстрее.
Получив сотни миллионов долларов нового финансирования, Lila Sciences стала одним из последних «единорогов» в сфере ИИ. Компания ставит перед собой более масштабную задачу — использовать автономные лаборатории, управляемые ИИ, для научных открытий; цель — достичь того, что она называет научным сверхинтеллектом. Но сегодня утром я здесь, чтобы узнать конкретно об открытии новых материалов.
Нам отчаянно нужны лучшие материалы для решения наших проблем. Нам потребуются улучшенные электроды и другие компоненты для более мощных батарей; соединения для более дешевого извлечения углекислого газа из воздуха; и лучшие катализаторы для производства зеленого водорода и других чистых видов топлива и химикатов. И нам, вероятно, понадобятся новые материалы, такие как высокотемпературные сверхпроводники, улучшенные магниты и различные типы полупроводников для следующего поколения прорывов во всем, от квантовых вычислений до термоядерной энергетики и аппаратного обеспечения для ИИ.
Но материаловедение не принесло много коммерческих успехов за последние десятилетия. Отчасти из-за своей сложности и отсутствия успехов эта область стала своего рода инновационным захолустьем, затменным более гламурным и прибыльным поиском новых лекарств и пониманием биологии.
Идея использования ИИ для открытия материалов не нова, но получила огромный импульс в 2020 году, когда DeepMind показала, что ее модель AlphaFold2 может точно предсказывать трехмерную структуру белков. Затем, в 2022 году, последовал успех и популярность ChatGPT. Надежда на то, что аналогичные модели ИИ, использующие глубокое обучение, могут помочь в научных исследованиях, очаровала инсайдеров индустрии. Почему бы не использовать наши новые возможности генеративного ИИ для исследования обширного химического ландшафта и помощи в моделировании атомных структур, указывая путь к новым веществам с удивительными свойствами?
«Симуляции могут быть чрезвычайно мощными для постановки проблем и понимания того, что стоит тестировать в лаборатории. Но в реальном мире мы не можем решить ни одной проблемы только с помощью симуляции».
Джон Грегуар, главный научный сотрудник Lila Sciences по автономным системам
Исследователи расхваливали модель ИИ, которая, как сообщалось, открыла «миллионы новых материалов». Деньги начали поступать, финансируя множество стартапов. Но пока не произошло ни одного «эврика»-момента, ни одного прорыва, подобного ChatGPT — ни открытия новых чудодейственных материалов, ни даже немного лучших.
Стартапы, стремящиеся найти полезные новые соединения, сталкиваются с общим узким местом: самым трудоемким и дорогостоящим этапом в открытии материалов является не придумывание новых структур, а их создание в реальном мире. Прежде чем пытаться синтезировать материал, вы не знаете, можно ли его вообще сделать и стабилен ли он, и многие его свойства остаются неизвестными до тех пор, пока вы не протестируете его в лаборатории.
«Симуляции могут быть чрезвычайно мощными для постановки проблем и понимания того, что стоит тестировать в лаборатории, — говорит Джон Грегуар, главный научный сотрудник Lila Sciences по автономным системам. — Но в реальном мире мы не можем решить ни одной проблемы только с помощью симуляции».
Стартапы, подобные Lila Sciences, строят свою стратегию на использовании ИИ для трансформации экспериментов и создают лаборатории, где агенты планируют, проводят и интерпретируют результаты экспериментов для синтеза новых материалов. Автоматизация в лабораториях уже существует. Но идея состоит в том, чтобы агенты ИИ вывели ее на новый уровень, управляя автономными лабораториями, где их задачи могут включать разработку экспериментов и управление робототехникой, используемой для перемещения образцов. И, что самое важное, компании хотят использовать ИИ для сбора и анализа огромного объема данных, производимых такими экспериментами, в поисках подсказок для создания лучших материалов.
Если им это удастся, эти компании смогут сократить процесс открытия с десятилетий до нескольких лет или меньше, помогая находить новые материалы и оптимизировать существующие. Но это азартная игра. Даже несмотря на то, что ИИ уже берет на себя множество лабораторных задач, самостоятельный поиск новых и полезных материалов — это совсем другое дело.
Инновационное захолустье
Я пишу об открытии материалов почти 40 лет, и, честно говоря, за это время было лишь несколько запоминающихся коммерческих прорывов, таких как литий-ионные батареи. Было множество научных достижений, о которых можно было писать: от перовскитных солнечных элементов до графеновых транзисторов и металлоорганических каркасов (MOF) — материалов, основанных на интригующем типе молекулярной архитектуры, за которые недавно была присуждена Нобелевская премия. Но немногие из этих достижений, включая MOF, вышли далеко за пределы лаборатории. Другие, такие как квантовые точки, нашли некоторое коммерческое применение, но в целом, изобретений, меняющих жизнь, созданных в предыдущие десятилетия, не хватало.
Вините в этом время (обычно 20 лет и более) и сотни миллионов долларов, необходимые для создания, тестирования, оптимизации и производства нового материала, а также отсутствие интереса со стороны промышленности тратить столько времени и денег на низкомаржинальные товарные рынки. Или, возможно, мы просто исчерпали идеи для создания вещей.
Необходимость ускорить этот процесс и найти новые идеи — вот причина, по которой исследователи обратились к ИИ. Десятилетиями ученые использовали компьютеры для разработки потенциальных материалов, рассчитывая, где разместить атомы для формирования структур, которые стабильны и имеют предсказуемые характеристики. Это работало, но лишь отчасти. Достижения в области ИИ сделали это вычислительное моделирование намного быстрее и обещали возможность быстро исследовать огромное количество возможных структур. Google DeepMind, Meta и Microsoft запустили проекты по применению инструментов ИИ для решения задачи разработки новых материалов.
Но ограничения, которые всегда преследовали вычислительное моделирование новых материалов, остаются. Для многих типов материалов, таких как кристаллы, полезные характеристики часто нельзя предсказать исключительно путем расчета атомных структур.
Чтобы раскрыть и оптимизировать эти свойства, нужно создать нечто реальное. Или, как говорит Рафаэль Гомес-Бомбарелли, один из соучредителей Lila и профессор материаловедения в MIT: «Структура помогает нам думать о проблеме, но она не является ни необходимой, ни достаточной для реальных проблем материаловедения».
Пожалуй, ни одно достижение не иллюстрировало разрыв между виртуальным и физическим миром больше, чем объявление DeepMind в конце 2023 года о том, что они использовали глубокое обучение для открытия «миллионов новых материалов», включая 380 000 кристаллов, которые они назвали «наиболее стабильными, что делает их перспективными кандидатами для экспериментального синтеза». В техническом плане расположение атомов представляло собой состояние минимальной энергии, где они были довольны оставаться на месте. Это было «расширение известных человечеству стабильных материалов на порядок», — провозгласили исследователи DeepMind.
Для сообщества ИИ это казалось прорывом, которого все ждали. Исследование DeepMind не только предложило золотую жилу возможных новых материалов, но и создало мощные новые вычислительные методы для прогнозирования большого числа структур.
Однако некоторые материаловеды отреагировали иначе. После более тщательного изучения исследователи из Калифорнийского университета в Санта-Барбаре заявили, что нашли «незначительные доказательства наличия соединений, отвечающих триединству новизны, достоверности и полезности». На самом деле, как сообщили ученые, они не обнаружили среди исследованных соединений ни одного действительно нового; некоторые были лишь «тривиальными» вариациями известных. Ученые были особенно возмущены тем, что потенциальные соединения были названы материалами. Они написали: «Мы бы с уважением предложили, что работа не сообщает о каких-либо новых материалах, а сообщает список предлагаемых соединений. На наш взгляд, соединение можно назвать материалом, когда оно обладает некоторой функциональностью и, следовательно, имеет потенциальную полезность».
Некоторые из воображаемых кристаллов просто противоречили условиям реального мира. Для проведения вычислений по такому большому количеству возможных структур исследователи DeepMind моделировали их при абсолютном нуле, когда атомы хорошо упорядочены; они немного вибрируют, но не движутся. При более высоких температурах — таких, которые существуют в лаборатории или где-либо еще в мире — атомы движутся сложными путями, часто создавая более беспорядочные кристаллические структуры. Ряд так называемых новых материалов, предсказанных DeepMind, оказались упорядоченными версиями уже известных беспорядочных.
В более общем плане, статья DeepMind была лишь еще одним напоминанием о том, насколько сложно уловить физическую реальность в виртуальных симуляциях — по крайней мере, на данный момент. Из-за ограничений вычислительной мощности исследователи обычно выполняют расчеты на относительно небольшом количестве атомов. Однако многие желаемые свойства определяются микроструктурой материалов — на масштабе, намного большем, чем атомный мир. А некоторые эффекты, такие как высокотемпературная сверхпроводимость или даже катализ, который является ключом ко многим распространенным промышленным процессам, слишком сложны или плохо изучены, чтобы их можно было объяснить только атомными симуляциями.
Общий язык
Тем не менее, есть признаки того, что разрыв между симуляциями и экспериментальной работой начинает сокращаться. DeepMind, например, утверждает, что после публикации статьи 2023 года они сотрудничали с учеными в лабораториях по всему миру для синтеза соединений, идентифицированных ИИ, и добились некоторого успеха. Тем временем ряд стартапов, выходящих на рынок, стремятся объединить вычислительную и экспериментальную экспертизу в одной организации.
Одним из таких стартапов является Periodic Labs, соучредителем которого является Экин Догус Чубук, физик, возглавлявший научную группу, которая привлекла внимание СМИ в 2023 году благодаря DeepMind, и Лиам Федус, один из создателей ChatGPT в OpenAI. Несмотря на опыт своих основателей в области вычислительного моделирования и программного обеспечения для ИИ, компания строит значительную часть своей стратегии открытия материалов на синтезе, проводимом в автоматизированных лабораториях.
Идея, лежащая в основе стартапа, заключается в объединении этих различных областей экспертизы с использованием больших языковых моделей, обученных на научной литературе и способных учиться на текущих экспериментах. LLM может предложить рецепт и условия для создания соединения; он также может интерпретировать данные испытаний и передавать дополнительные предложения химикам и физикам стартапа. В этой стратегии симуляции могут предлагать возможные кандидаты в материалы, но они также используются для объяснения экспериментальных результатов и предложения возможных структурных доработок.
Главным призом стал бы комнатный сверхпроводник — материал, который мог бы трансформировать вычисления и энергетику, но который десятилетиями ускользал от ученых.
Periodic Labs, как и Lila Sciences, имеет амбиции, выходящие за рамки разработки и создания новых материалов. Компания хочет «создать ученого-ИИ», в частности, специалиста в области физических наук. «LLM стали довольно хороши в обработке химической и физической информации, — говорит Чубук, — а теперь мы пытаемся сделать ее более продвинутой, обучая ее науке — например, проведению симуляций, проведению экспериментов, теоретическому моделированию».
Подход, как и у Lila Sciences, основан на ожидании того, что лучшее понимание науки, лежащей в основе материалов и их синтеза, приведет к подсказкам, которые помогут исследователям находить широкий спектр новых материалов. Одной из целей Periodic Labs являются материалы, свойства которых определяются квантовыми эффектами, такие как новые типы магнитов. Главным призом стал бы комнатный сверхпроводник — материал, который мог бы трансформировать вычисления и энергетику, но который десятилетиями ускользал от ученых.
Сверхпроводники — это материалы, в которых электричество течет без сопротивления и, следовательно, без выделения тепла. До сих пор лучшие из этих материалов становятся сверхпроводящими только при относительно низких температурах и требуют значительного охлаждения. Если их можно будет заставить работать при комнатной температуре или близкой к ней, это может привести к гораздо более эффективным энергосистемам, новым типам квантовых компьютеров и даже более практичным высокоскоростным поездам на магнитной подушке.
Неудача в поиске комнатного сверхпроводника — одно из величайших разочарований в материаловедении за последние десятилетия. Я был там, когда президент Рейган говорил об этой технологии в 1987 году, во время пика ажиотажа вокруг недавно изготовленной керамики, которая становилась сверхпроводящей при относительно теплой температуре 93 Кельвина (это −292 °F), восторженно заявляя, что они «приводят нас к порогу новой эры». В этом переполненном бальном зале Washington Hilton царила атмосфера оптимизма среди ученых и бизнесменов, когда Рейган предвидел «множество преимуществ, не в последнюю очередь — снижение зависимости от иностранной нефти, более чистую окружающую среду и более сильную национальную экономику». Оглядываясь назад, можно сказать, что это, возможно, был один из последних раз, когда мы возлагали наши экономические и технические ожидания на прорыв в материаловедении.
Обещанная новая эра так и не наступила. Ученые до сих пор не нашли материал, который становился бы сверхпроводящим при комнатной температуре или близкой к ней в обычных условиях. Лучшие существующие сверхпроводники хрупкие и склонны делать плохие провода.
Одна из причин, по которой найти высокотемпературные сверхпроводники так сложно, заключается в том, что ни одна теория не объясняет этот эффект при относительно высоких температурах или не может предсказать его исключительно на основе расположения атомов в структуре. В конечном итоге ученым придется синтезировать любые интересные кандидаты, тестировать их и искать в полученных данных подсказки для понимания этой все еще загадочной феноменологии. По словам Чубука, это является одним из главных приоритетов Periodic Labs.
ИИ во главе
Создание кристаллической структуры впервые может занять у исследователя год или больше. Затем обычно следуют годы дальнейшей работы по тестированию ее свойств и выяснению того, как производить большие количества, необходимые для коммерческого продукта.
Стартапы, такие как Lila Sciences и Periodic Labs, возлагают свои надежды в значительной степени на перспективу того, что эксперименты, управляемые ИИ, могут сократить эти сроки. Одной из причин оптимизма является то, что многие лаборатории уже внедрили значительную автоматизацию, от подготовки образцов до перемещения тестовых элементов. Исследователи регулярно используют роботизированные манипуляторы, программное обеспечение, автоматизированные версии микроскопов и других аналитических приборов, а также механизированные инструменты для работы с лабораторным оборудованием.
Автоматизация позволяет, среди прочего, проводить высокопроизводительный синтез, при котором быстро создаются и анализируются многочисленные образцы с различными комбинациями ингредиентов в больших партиях, что значительно ускоряет эксперименты.
Идея состоит в том, что использование ИИ для планирования и проведения такого автоматизированного синтеза может сделать его гораздо более систематичным и эффективным. Агенты ИИ, которые могут собирать и анализировать гораздо больше данных, чем любой человек, могут использовать информацию в реальном времени для варьирования ингредиентов и условий синтеза до тех пор, пока не получат образец с оптимальными свойствами. Такие лаборатории, управляемые ИИ, могли бы проводить гораздо больше экспериментов, чем человек, и быть гораздо «умнее» существующих систем для высокопроизводительного синтеза.
Но так называемые «автономные лаборатории» для материаловедения все еще находятся в стадии разработки.
Многие типы материалов требуют твердотельного синтеза — набора процессов, которые гораздо труднее автоматизировать, чем обработку жидкостей, распространенную при производстве лекарств. Необходимо подготовить и смешать порошки нескольких неорганических ингредиентов в правильной комбинации для создания, скажем, катализатора, а затем решить, как обработать образец для получения желаемой структуры — например, определить правильную температуру и давление, при которых следует проводить синтез. Даже определение того, что вы сделали, может быть сложной задачей.
В 2023 году A-Lab в Национальной лаборатории Лоуренса Беркли заявила, что стала первой полностью автоматизированной лабораторией, использующей неорганические порошки в качестве исходных ингредиентов. Впоследствии ученые сообщили, что автономная лаборатория использовала робототехнику и ИИ для синтеза и тестирования 41 нового материала, включая некоторые, предсказанные в базе данных DeepMind. Некоторые критики поставили под сомнение новизну полученных результатов и жаловались, что автоматизированный анализ материалов не соответствовал экспериментальным стандартам, но исследователи Беркли защищали эти усилия как просто демонстрацию потенциала автономной системы.
«То, как это работает сегодня, и то, как мы это представляем, все еще несколько отличается. Нужно создать много инструментов», — говорит Гербранд Седер, главный научный сотрудник A-Lab.
Агенты ИИ уже хорошо справляются со многими лабораторными задачами, от подготовки рецептов до интерпретации некоторых видов данных испытаний — например, обнаруживая закономерности в микрофотографии, которые могут быть скрыты от человеческого глаза. Но Седер надеется, что технология скоро сможет «захватить человеческое принятие решений», анализируя текущие эксперименты для принятия стратегических решений о дальнейших действиях. Например, его группа работает над улучшенным агентом синтеза, который лучше бы интегрировал то, что он называет «расплывчатыми» знаниями ученых — теми, которые приобретаются в результате обширного обучения и опыта. «Я представляю мир, где люди создают агентов на основе своего опыта, а затем существует своего рода супермодель, которая все это объединяет, — говорит он. — Супермодели необходимо знать, какие агенты она может вызывать и что они знают, или в чем заключается их экспертиза».
«В одной из областей, в которой я работаю, — твердотельные батареи, — каждый день публикуется 50 статей. И это только одна область, в которой я работаю. Революция ИИ заключается в том, чтобы наконец собрать все научные данные, которые у нас есть».
Гербранд Седер, главный научный сотрудник, A-Lab
Одна из сильных сторон агентов ИИ — их способность поглощать огромные объемы научной литературы. «В одной из областей, в которой я работаю, — твердотельные батареи, — каждый день публикуется 50 статей. И это только одна область, в которой я работаю», — говорит Седер. Никто не может уследить за всем. «Революция ИИ заключается в том, чтобы наконец собрать все научные данные, которые у нас есть», — говорит он.
Прошлым летом Седер стал главным научным сотрудником стартапа по открытию материалов с помощью ИИ под названием Radical AI и взял отпуск в Калифорнийском университете в Беркли, чтобы помочь создать его автономные лаборатории в Нью-Йорке. В презентации показан портфель различных агентов ИИ и генеративных моделей, предназначенных для реализации видения Седера. Если присмотреться, можно заметить LLM под названием «оркестратор» — это то, что генеральный директор Джозеф Краузе называет «главным начальником».
Новая надежда
До сих пор, несмотря на ажиотаж вокруг использования ИИ для открытия новых материалов и растущую динамику (и деньги), поддерживающие эту область, убедительного крупного успеха так и не произошло. Нет примера, подобного победе AlphaGo от DeepMind над чемпионом мира по игре го в 2016 году. Или достижению AlphaFold в освоении одной из самых сложных и трудоемких задач биомедицины — прогнозирования 3D-структур белков.
Область открытия материалов все еще ждет своего часа. Это может произойти, если агенты ИИ смогут значительно ускорить разработку или синтез практических материалов, аналогичных сегодняшним, но превосходящих их. Или, возможно, этот момент наступит с открытием действительно нового материала, такого как комнатный сверхпроводник.
С таким прорывным моментом или без него стартапы сталкиваются с задачей превращения своих научных достижений в полезные материалы. Эта задача особенно сложна, поскольку любые новые материалы, вероятно, придется коммерциализировать в отрасли, где доминируют крупные, устоявшиеся игроки, не склонные к риску.
Сьюзан Шофер, инвестор в сфере технологий и партнер венчурной фирмы SOSV, с осторожным оптимизмом относится к этой области. Но Шофер, которая провела несколько лет в середине 2000-х годов в качестве исследователя катализаторов в одном из первых стартапов, использующих автоматизацию и высокопроизводительный скрининг для открытия материалов (который не выжил), хочет увидеть доказательства того, что технология может трансформироваться в коммерческий успех, когда она оценивает стартапы для инвестирования.
В частности, она хочет увидеть доказательства того, что стартапы, использующие ИИ, уже «находят что-то новое, отличное, и знают, как они собираются развиваться дальше». И она хочет увидеть бизнес-модель, которая улавливает ценность новых материалов. Она говорит: «Я думаю, идеальный вариант был бы такой: я получила спецификацию от отрасли. Я знаю, в чем их проблема. Мы ее определили. Теперь мы собираемся ее решить. Теперь у нас есть новый материал, который мы можем продать, который мы достаточно масштабировали, что доказали его. А затем мы как-то сотрудничаем для его производства, но получаем доход от продажи материала».
Шофер говорит, что, хотя она понимает видение переосмысления науки, она посоветовала бы стартапам «показать нам, как вы собираетесь этого достичь». Она добавляет: «Давайте посмотрим на первые шаги».
Демонстрация этих первых шагов может быть решающей для того, чтобы побудить крупные существующие материаловедческие компании более полно принять технологии ИИ. Корпоративные исследователи в этой отрасли уже обжигались — обещаниями о том, что все более мощные компьютеры волшебным образом разработают новые материалы; комбинаторной химией, модой, которая прошла через R&D лаборатории материалов в начале 2000-х годов с минимальным ощутимым результатом; и обещанием, что синтетическая биология создаст наше следующее поколение химикатов и материалов.
Совсем недавно сообщество материаловедов было охвачено новым циклом ажиотажа вокруг ИИ. Часть этого ажиотажа была вызвана объявлением DeepMind в 2023 году об открытии «миллионов новых материалов», утверждением, которое, оглядываясь назад, явно не оправдало ожиданий. И он был еще больше подогрет, когда студент-экономист из MIT опубликовал в конце 2024 года статью, в которой утверждалось, что крупная, неназванная корпоративная R&D лаборатория использовала ИИ для эффективного изобретения множества новых материалов. Казалось, ИИ уже революционизирует отрасль.
Через несколько месяцев экономический факультет MIT пришел к выводу, что «статья должна быть изъята из общественного дискурса». Два видных экономиста MIT, упомянутые в сноске к статье, добавили, что они «не имеют уверенности в происхождении, надежности или достоверности данных и истинности исследования».
Может ли ИИ выйти за рамки ажиотажа и ложных надежд и действительно трансформировать открытие материалов? Возможно. Есть множество свидетельств того, что он меняет то, как работают ученые-материаловеды, предоставляя им, если ничто другое, то полезные лабораторные инструменты. Исследователи все чаще используют LLM для запросов научной литературы и выявления закономерностей в экспериментальных данных.
Но еще рано превращать эти инструменты ИИ в реальные открытия материалов. Использование ИИ для управления автономными лабораториями, в частности, только начинается; создание и тестирование материалов требует времени и больших денег. В то утро, когда я посетил Lila Sciences, их лаборатории были в основном пусты, и сейчас компания готовится переехать в гораздо более просторное помещение в нескольких милях отсюда. Periodic Labs только начинает создавать свою лабораторию в Сан-Франциско. Она начинает с ручного синтеза, основанного на предсказаниях ИИ; их роботизированная лаборатория для высокопроизводительного скрининга появится в ближайшее время. Radical AI сообщает, что ее лаборатория почти полностью автономна, но планирует вскоре переехать в более просторное помещение.
Когда я разговариваю с научными основателями этих стартапов, я слышу возобновленный энтузиазм по поводу области, которая долгое время оставалась в тени открытия лекарств и геномной медицины. Во-первых, есть деньги. «Вы видите этот огромный энтузиазм по объединению ИИ и материалов, — говорит Седер. — Я никогда не видел столько денег, вложенных в материалы».
Однако возрождение индустрии материалов — это задача, выходящая за рамки научных достижений. Это означает убеждение компаний в совершенно новом подходе к исследованиям и разработкам.
Но стартапы выигрывают от огромной уверенности, заимствованной у остальной части индустрии ИИ. И, возможно, именно это, после многих лет осторожности, и нужно индустрии материалов.
Эта статья является частью онлайн-подборки, посвященной пересмотру ожиданий от ИИ. Больше информации см. на technologyreview.com/hypecorrection.
Автор – technologyreview.com
