De ez most nem akármilyen könyvtár: minden könyv egy
lehetséges anyagot ír le, amit az univerzumban létrehozhatnánk. Az atomok
kombinálásának matematikája brutális: csak a periódusos rendszer első húsz
eleméből 10^20 – azaz száztrillió – különböző kristályszerkezet állítható
össze.
A teljes periódusos rendszert
figyelembe véve? A szám elképesztően nagy – olyan nagy, hogy ha minden atomot
megvizsgálnánk az univerzumban, még mindig csak töredékét fedeznénk fel az
összes lehetséges anyagnak.
Az emberiség több mint tízezer éves
anyaghasználati történelme során alig néhány 100 000 anyagot fedeztünk fel és
jellemeztünk alaposan, és ennek csak töredékét használjuk életünkben,
műanyagok, fémek vagy éppen gyógyszerek formájában. Ez olyan, mintha egy
hatalmas óceánból egyetlen pohár vizet mernénk ki.
A kérdés évszázadokon át ugyanaz
volt: hogyan találjuk meg a megfelelő kombinációt a megfelelő szerepre? Hogyan
fedezzük fel azt az anyagot, amely pontosan azt csinálja, amire szükségünk van
– legyen az akkumulátor, amely napokig működik egyetlen töltéssel, vagy
szupervezető, amely forradalmasítja az energetikát?
A 2020-as évek elején a fenti
kérdésre adott válaszunk megközelítésében valami megváltozott. A mesterséges
intelligencia belépett a játékba – és hirtelen 2,2 millió új
kristályszerkezetet jósoltak meg egyetlen projektben.
A Google DeepMind GNoME rendszere kb. 800 év
hagyományos kutatási munkát tömörített néhány hónapnyi számításba. A Microsoft
AI-ja 32,6 millió lehetséges akkumulátoranyagot szűrt le 9 hónap alatt arra az
egyre, amely végül prototípussá vált.
De mielőtt elragadtatnánk magunkat
ettől a sci-fi-szerű jövőképtől, érdemes megnézni a részleteket, mert ugyebár
az ördög nem alszik és mert ahogy a Stanford egyik anyagtudósa mondta: „Elég
valószínűtlen azt állítani, hogy 2,2 millió nem szintetizált dolog új
anyag."
És amikor
kritikusan megvizsgálták a világ első „autonóm laborkísérletének" 41 „új
anyagát", kiderült: egyetlen valódi új anyag sem született.
Üdvözlet az AI és anyagtudomány
vadonatúj, zűrzavaros, lüktető világában – ahol a siker és a kudarc, az ígéret
és a valóság, a hype és a tényleges áttörés olyan közel van egymáshoz, hogy
néha megkülönböztethetetlenek.
Hogyan tanítunk meg egy
gépet arra, hogy anyagokat találjon fel?
A válasz meglepően elegáns
matematikában rejlik. Egy kristály szerkezete – mondjuk egy gyémánt vagy egy
kerámia – reprezentálható úgynevezett gráfként. Nem a grafikon értelmében,
hanem a matematikai gráf értelmében: az atomok csomópontok, a köztük lévő
kémiai kötések pedig élek. Ez a reprezentáció zseniális, mert lehetővé teszi,
hogy gráf neurális hálózatokat (GNN) alkalmazzunk, amelyek kifejezetten arra
szakosodtak, hogy ezekben a hálózatszerű struktúrákban mintákat fedezzenek fel.
2,2 millió kristály –
vagy túl szép, hogy igaz legyen?
2023 novemberében a Google DeepMind
bejelentette a történelem legnagyobb anyagfelfedezési projektjét. A GNoME
(Graph Networks for Materials Exploration) projekt 2,2 millió új
kristályszerkezetet jósolt meg.
Ebből 381 000-et azonosítottak stabilként – olyan anyagként,
amely ténylegesen létezhet, nem csak matematikai fantázia.
A számok lélegzetelállítóak. 52 000
réteges vegyület (grafénszerű anyagok) – amikor korábban csak körülbelül 1000
volt ismert. 528 potenciális lítium-ion-vezető – az akkumulátorok következő
generációjának kulcsa. És a sajtóközlemény szerint mindez kb. 800 évnyi
hagyományos kutatási eredménynek felel meg.
A Berkeley Lab Materials Project
adatbázisa – amely a világ egyik legfontosabb nyilvános anyagkatalógusa –
azonnal felvett 380 000 GNoME-előrejelzést. Külső kutatócsoportok nekiálltak,
és 736 anyagot függetlenül is előállítottak a laboratóriumokban. Sikertörténet,
igaz?
Itt kezdődnek az árnyalatok.
Anthony Cheetham és Ram Seshadri, a
UC Santa Barbara professzorainak 2024-es reanalízise hideg zuhanyként hatott a
kezdeti óvációkra.
A két világhírű anyagtudós alig talált bizonyítékot olyan
vegyületekre, amelyek megfelelnek az újdonság, hitelesség és hasznosság hármas
kritériumának.
A 2,2 millió „anyag" közül több
mint 18 000 olyan radioaktív elemeket tartalmaz – proméciumot, aktíniumot,
protaktíniumot –, amelyek a Földön „csak parányi mennyiségben és a legritkább
körülmények között érhetők el". Sok „felfedezett" anyag egyszerűen
„triviális variációja ismert anyagoknak".
És akkor jön az A-Lab sztori – a
világ első teljesen autonóm anyagszintetizáló laboratóriuma. A Berkeley Lab
kutatói 2023-ban a Nature-ben számoltak be róla: 17 nap alatt 41 új vegyületet
szintetizáltak 58 célpontból.
A robot kiválasztotta a receptet, bekeverte az
összetevőket, befűtötte a kemencét, majd röntgendiffrakcióval ellenőrizte az
eredményt. 50-100-szor gyorsabban, mint emberi kutatók – állította a cikk.
John Leeman, Robert Palgrave (UCL) és
Leslie Schoop (Princeton) 2024-ben alaposan megnézték ezeket az eredményeket. A
következtetésük?
Egyetlen valóban új anyag sem született.
A 36 „sikeresnek" minősített
mintából 35-nél hibás volt az elemzés. Kétharmaduk „valószínűleg ismert,
kompozícionálisan rendezetlen változata a megjósolt, rendezett vegyületeknekó
Vagyis a „világ első autonóm anyagszintetizáló
laboratóriuma" semmit sem fedezett fel.
Amikor a számítógép gyorsabb, mint az
evolúció
De ne legyünk túl pesszimisták.
Miközben vannak kudarcok és túlzott ígéretek, valódi áttörések is történnek –
különösen ott, ahol a piac közvetlen nyomása találkozik a technológiával.
Vegyük például az Insilico Medicine
esetét, ez a hongkongi-bostoni AI-gyógyszerfejlesztő startup 2024 novemberében
jelentette be Fázis 2a eredményeit az ISM001-055 (Rentosertib) nevű molekulára,
amely idiopátiás pulmonális fibrózis (IPF) kezelésére szolgál. Ez nem hangzik túlzottan
izgalmasnak?
Az ISM001-055 az első olyan molekula
a világon, amely teljesen AI által lett felfedezve – mind a célpont
azonosítása, mind a molekula megtervezése AI-rendszerekkel történt. A
hagyományos gyógyszerfejlesztés 4-6 évig tart a preklinikai fázisig.
Az Insilico ezt 18 hónap alatt tette
meg. A költség?
150,000 USD a célpont-azonosításig – amikor az iparági átlag
egy teljes gyógyszerfejlesztésre több mint 2 milliárd dollár.
Az Exscientia, egy másik
AI-gyógyszerfejlesztő úttörő, 2024 novemberében egyesült a Recursion
Pharmaceuticalsszel, létrehozva egy 688 millió dolláros értékű vállalatot. A
Recursion BioHive-2 rendszere – a gyógyszeripar legnagyobb szuperkomputere –
heti 2,2 millió mintát képes tesztelni. Partnerek: Roche, Sanofi, Bayer. Az
Atomwise AI-modelljei másodpercenként 10 milliárd molekulát szűrnek – 10
000-szer gyorsabban, mint a fizikai screening.
Az AI-gyógyszerfelfedezés piaca 1,72 milliárd dollárról
(2024) 8,53 milliárd dollárra (2030) nő – évi 30,6%-os növekedéssel.
A Toyota titka:
szilárdtest-akkumulátorok és az 1200 km-es álom
De ha van egy terület, ahol az
AI-anyagtudomány közvetlenül érinti a mindennapi életünket, és az energiatárolás.
A QuantumScape nevezetű startup,
amelybe a Volkswagen befektetett, 2024 decemberében jelentette be QSE-5
szilárdtest lítium-fém akkumulátorának eredményeit: 844 Wh/L energiasűrűség,
10-80%-os gyorstöltés 12,2 perc alatt. A Toyota – amely több mint 1000
szabadalommal rendelkezik szilárdtest-akkumulátorokra (világelsők) – azt ígéri,
hogy 2027-re tömeggyártásba kezd olyan akkumulátorokkal, amelyek 1200 km
hatótávolságot, 10 perces töltést és 40 éves élettartamot biztosítanak 90%-os
kapacitásnál.
De mi köze ennek az AI-hoz?
A Microsoft és a Pacific Northwest
National Laboratory (PNNL) együttműködése gyönyörű példa az AI-anyagtudomány
erejére, elérhető lehetőségeire. 2024 elején 32,6 millió lehetséges akkumulátoranyagot
szűrtek le egyetlen végső jelöltre – egy nátrium-lítium vegyületre, amely
70%-kal kevesebb lítiumot igényel.
A hagyományos módszerekkel ez
évtizedekig tartott volna ez a kutatás, de. az AI-val?
9 hónap – és már kész is a
prototípus, amely szobahőmérsékleten és 80°C-on is működik.
Amikor a beton is okos
lesz
A Meta és az University of Illinois
2024-ben együtt dolgozott egy AI-tervezett betonkeveréken a Meta Rosemount-i
adatközpontjához. Mit értek el? 40%-os szén-dioxid-csökkentés a
szilárdság megőrzése mellett – pernyét és salakot használva
cementhelyettesítőként.
Ez hallatlanul fontos, mert a cementgyártás a globális
CO₂-kibocsátás közel 10%-áért felelős – több, mint az egész légiközlekedési
ipar.
Amikor olvasom ezeket az
eredményeket, elgondolkodom: vajon mennyire vesszük észre az anyagtudomány
csendes forradalmát?
A repülőgépek kompozitjai (a Boeing
787 Dreamliner 50%-ban szénszálas kompozit), a mobiltelefonok kijelzői, a
ruháink szövetei – mind-mind anyagtudományi áttörések eredményei. És most ez a
folyamat felgyorsulhat az AI segítségével.
Van azonban egy mélyebb probléma,
amelyről kevesebbet beszélünk.
A neurális hálózatok prediktálnak, de
nem magyaráznak. Amikor a GNoME megmond egy kristályszerkezetet, nem mondja
meg, hogy miért az stabil. Amikor az Insilico AI-ja egy molekulát javasol, nem
feltétlenül tudja elmagyarázni a mechanizmust, amely által a molekula működik.
Rafael Gómez-Bombarelli, az MIT
professzora így fogalmaz: „A szerkezet segít gondolkodni a problémáról, de sem
nem szükséges, sem nem elégséges a valós anyagtudományi problémákhoz."
Mit is jelent ez? Azt, hogy az
anyagtudomány komplex.
A tulajdonságok – mondjuk egy anyag szilárdsága vagy
elektromos vezetőképessége – gyakran nem közvetlenül az atomszerkezetből
következnek, hanem magasabb szintű jelenségekből: a mikrostruktúrából, a
szemcsehatárokból, a hibákból, a hőkezelésből.
Ezek olyan részletek, amelyeket az AI-modellek
– amelyek atomszinten dolgoznak – nem feltétlenül látnak.
Ráadásul komoly adathiány van, már
most is. A Materials Project nem tartalmaz kompozícionálisan rendezetlen
vegyületeket. A DFT-számítások 0 Kelvinen történnek – amikor a valós anyagok
szobahőmérsékleten vagy magasabb hőfokon működnek.
A publikációs elfogultság miatt a sikertelen
kísérletek ritkán jelennek meg –
így az AI-modellek „optimista" adathalmazon tanulnak.
És mi a következő lépés amikor az AI
mégis produkál egy ígéretes anyagot? Akkor jön a következő akadály: a szintézis.
A szintézis méretezhetősége masszív kihívás. Egy dolog, hogy előállítunk néhány
milligrammot egy új anyagból a laborban. Egészen más dolog ipari méretben
gyártani – tonnaszám, konzisztens minőséggel, versenyképes áron.
Az A-Lab kudarca talán nem is annyira
meglepő, az AI jól tud számolni – de az anyagok tényleges előállítása kézműves
munka.
A hőmérséklet, a nyomás, a reakcióidő, a szennyeződések
mind-mind számítanak. Egy jó recept nem elég – kellenek az eszközök, a
tapasztalat, a know-how. Az anyagtudomány nem kizárólag információs probléma.
Ez fizikai probléma is.
Az anyagtudósok szerepe radikálisan
átalakul. A hagyományos „próbáld ki és nézd meg mi történik" megközelítés
már nem elég, a modern anyagtudósnak értenie kell az adatokat, tudnia kell
Pythonban programozni, ismernie kell a gépi tanulás alapjait. A
„mesteremberi" tudás – a labor finomságai, a mérési tapasztalat – továbbra
is kritikus, de már nem elégséges.
Szóval hol tartunk most?
Mit tud az AI az anyagtudományban, és mit nem?
Az ígéretes területek egyértelműek:
1. Akkumulátorok – jobb anódok, katódok,
elektrolit-kombinációk
2. Gyógyszerek – gyorsabb
célpont-azonosítás, molekuláris tervezés
3. Fenntartható anyagok – biológiailag
lebomló műanyagok, zöld oldószerek
4. Katalizátorok – hidrogéntermelés,
szén-dioxid-megkötés
5. Kompozitok – könnyű, erős anyagok
repüléshez és építészethez
Következik a piaci bevezetés
problémája. Egy új anyag laboratóriumtól a kereskedelmi termékig általában
20-50 évet vesz igénybe, alapkutatástól.
Ez nem technológiai korlát – ez szabályozási,
biztonsági, gyártási, ellátási lánc, vevői elfogadási korlát.
Az AI felgyorsíthatja a felfedezést, de a fennmaradó 95%-ot
nem.
Dean W. Ball, a Mercatus Center
kutatója talán legjobban fogalmazta meg:
„Az AI túlértékelt, mint közeli jövőbeli 'csodagép', de
alulértékelt hosszú távú potenciáljában."
Amikor elkezdtem írni ezt az esszét,
azt hittem, világos álláspontra jutok: vagy az AI forradalmasítja az
anyagtudományt, vagy nem. De minél mélyebben ástam, annál világosabbá vált,
hogy a valóság – mint mindig – komplikáltabb.
Igen, vannak túlzott ígéretek. A
GNoME 2,2 milliója nem 2,2 millió új anyag. Az A-Lab nullát fedezett fel. A
hype valós.
De ugyanakkor: az Insilico gyógyszere
klinikai vizsgálatokban van. A Microsoft akkumulátoranyaga működő prototípus. A
Toyota szilárdtest-akkumulátorai 2027-re tömeggyártásba kerülnek. Az eredmények
is valósak.
Megjegyzések
Megjegyzés küldése