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.