ИИ предсказывает практическое применение новых материалов

Аспирант Сартадж Тарим Хан (слева) и доцент Сейед Мохамад Мусави разработали мультимодальный ИИ-инструмент, способный прогнозировать эффективность металлоорганических каркасов в реальных условиях. Автор: Тайлер Ирвинг

Ежегодно создаются тысячи новых материалов, но многие из них так и не раскрывают свой потенциал, поскольку их практическое применение неочевидно. Исследователи из Университета Торонто предлагают решить эту проблему с помощью искусственного интеллекта.

В исследовании, опубликованном в журнале Nature Communications, команда под руководством Сейеда Мохамада Мусави представила ИИ-инструмент, способный предсказывать эффективность нового материала в реальных условиях — сразу после его синтеза.

Система фокусируется на классе пористых материалов — металлоорганических каркасах (MOF), которые обладают настраиваемыми свойствами и широким спектром потенциальных применений.

Мусави отмечает, что только в прошлом году материаловеды создали более 5000 различных типов MOF, что подчеркивает масштаб задачи.

«В материаловедении традиционный вопрос звучит так: „Какой материал лучше всего подходит для этого применения?“» — говорит Мусави, доцент химического машиностроения и прикладной химии. «Мы перевернули вопрос и спросили: „Какое применение лучше всего подходит для этого нового материала?“ С таким количеством ежедневно создаваемых материалов мы хотим сместить фокус с вопроса „Какой материал сделать следующим?“ на вопрос „Какое тестирование провести следующим?“»

MOF можно использовать, например, для отделения CO₂ от других газов в промышленных выбросах, предотвращая попадание углерода в атмосферу и его вклад в изменение климата. Их также можно применять для доставки лекарств в определенные области тела или для улучшения функциональности электронных устройств.

Рабочий процесс самообучающейся мультимодальной модели. Автор: Nature Communications (2025). DOI: 10.1038/s41467-025-60796-0

Новый подход с использованием ИИ направлен на сокращение временного разрыва между открытием и внедрением.

Для этого аспирант Сартадж Хан разработал мультимодальную систему машинного обучения, обученную на различных типах данных, обычно доступных сразу после синтеза — в частности, на прекурсорных химикатах, используемых для создания материала, и его рентгенограмме порошка (PXRD).

«Мультимодальность важна», — говорит Хан. «Так же, как люди используют разные чувства — например, зрение и язык — для понимания мира, комбинация различных типов данных о материале дает нашей модели более полную картину».

ИИ-система использует стратегию мультимодального предварительного обучения для получения информации о геометрии материала и его химическом окружении, что позволяет ей делать точные прогнозы свойств без необходимости постсинтетической структурной характеризации. Это может ускорить процесс открытия и помочь исследователям выявлять перспективные материалы до того, как они будут забыты или отложены.

Для тестирования модели команда провела «эксперимент с путешествием во времени»: они обучили ИИ на данных о материалах, доступных до 2017 года, и попросили его оценить материалы, синтезированные позже. Система успешно выделила несколько материалов — изначально разработанных для других целей — как сильных кандидатов для улавливания углерода. Некоторые из них сейчас проходят экспериментальную проверку в сотрудничестве с Национальным исследовательским советом Канады.

В перспективе Мусави планирует интегрировать ИИ в самоуправляемые лаборатории (SDL) в Acceleration Consortium Университета Торонто — глобальном центре автоматизированного открытия материалов.

«SDL автоматизируют процесс проектирования, синтеза и тестирования новых материалов», — говорит он. «Когда одна лаборатория создает новый материал, наша система может оценить его и потенциально перенаправить в другую лабораторию, лучше оборудованную для оценки его полного потенциала. Такая слаженная межлабораторная координация может ускорить открытие материалов».

Дополнительная информация: Sartaaj Takrim Khan et al, Connecting metal-organic framework synthesis to applications using multimodal machine learning, Nature Communications (2025). DOI: 10.1038/s41467-025-60796-0

Источник: University of Toronto