Автономные ИИ-системы научились спонтанно сотрудничать для открытия новых материалов

Сравнение человеческого научного сообщества и автономной ИИ-сети. (a) Исследователи из разных областей формируют сеть, обмениваясь знаниями через общение, и продвигают исследования новых материалов. (b) Автономные ИИ-системы, исследующие разные материалы, формируют сеть, спонтанно обмениваясь знаниями, и продвигают исследования новых материалов. Автор: npj Computational Materials (2025). DOI: 10.1038/s41524-025-01851-8

Совместная исследовательская группа из Национального института материаловедения Японии (NIMS) и Университета Цукубы разработала технологию автономной ИИ-сети, которая позволяет нескольким автономным системам искусственного интеллекта эффективно открывать новые материалы, спонтанно сотрудничая друг с другом и формируя сеть. Команда продемонстрировала эффективность технологии с помощью симуляций. Исследование было опубликовано в журнале npj Computational Materials 9 декабря 2025 года.

Проблемы современных ИИ-систем

В последние годы автономные ИИ-системы, объединяющие искусственный интеллект, робототехнику и симуляции, привлекают внимание и создаются по всему миру. Однако современные автономные ИИ работают изолированно, не сотрудничая с другими системами. Это связано с тем, что ИИ исследуют разные материалы, и хотя они могут легко обмениваться данными, им сложно использовать данные из других систем в своём собственном автономном исследовании.

Человеческие исследователи продвигают науку сложным образом, обмениваясь обширными знаниями через формирование научных сообществ (см. левую часть изображения выше). Аналогично, если несколько автономных ИИ-систем смогут проводить автономные исследования, обмениваясь и используя обширные знания (тенденции, извлечённые из данных), формируя сеть, они смогут открывать новые материалы гораздо эффективнее.

Создание совместных ИИ-сетей

В этом исследовании команда взяла за основу методы коммуникации человеческих исследователей, чтобы разработать технологию автономной ИИ-сети, в которой несколько систем сотрудничают, проводя автономные исследования и обмениваясь знаниями. В научном сообществе исследователь обычно не просто передаёт свои данные коллеге, а делится знаниями, полученными из этих данных.

Чтобы реализовать это и среди автономных ИИ, исследовательская группа создала алгоритм, который включает знания, полученные другими системами, в качестве ориентира для принятия решений. Это позволило ИИ-системам проводить автономные исследования, обмениваясь именно знаниями, а не сырыми данными.

Результаты и перспективы

Как показано в правой части изображения выше, когда три автономные ИИ-системы, каждая из которых исследовала максимизацию разных физических свойств, начали спонтанно обмениваться знаниями, скорость их оптимизации возросла. Другими словами, команда продемонстрировала, что эффективность исследований каждой системы улучшается за счёт формирования автономной ИИ-сети.

Автономные ИИ-системы, объединяющие ИИ, робототехнику и симуляции, разрабатываются по всему миру и постоянно занимаются поиском материалов. Их количество будет продолжать быстро расти, и различные типы таких систем будут открывать и синтезировать множество новых материалов.

Это большое количество автономных ИИ-систем обладает потенциалом для создания ещё большей ценности за счёт будущего сотрудничества. В дальнейшем команда планирует построить ещё более масштабную автономную ИИ-сеть, параллельно совершенствуя сами системы.

Источник: National Institute for Materials Science