ИИ от MIT ускоряет синтез материалов, предлагая рецепты

Генеративные ИИ-модели создали огромные библиотеки теоретических материалов, но их практический синтез часто остаётся сложной и медленной задачей. Исследователи из Массачусетского технологического института (MIT) разработали модель искусственного интеллекта, которая помогает учёным находить эффективные пути синтеза сложных материалов, преодолевая ключевое узкое место в их открытии.

Новая модель, названная DiffSyn, использует подход диффузии, аналогичный генерации изображений в DALL-E. Она обучена на более чем 23 000 рецептов синтеза, описанных в научных статьях за 50 лет. Когда учёный задаёт желаемую структуру материала, модель предлагает перспективные комбинации параметров: температуры реакции, времени, соотношения прекурсоров и других факторов.

«Чтобы использовать аналогию, мы знаем, какой торт хотим приготовить, но сейчас не знаем, как его испечь», — говорит ведущий автор Элтон Пан, аспирант MIT. — «Синтез материалов в настоящее время осуществляется на основе экспертных знаний и метода проб и ошибок».

В отличие от предыдущих подходов, которые искали одно решение, DiffSyn способна предложить множество возможных путей синтеза для одного материала, что лучше соответствует экспериментальной реальности. В тестах на классе материалов цеолитов модель показала высочайшую точность в предсказании эффективных путей синтеза.

Следуя предложениям ИИ, команда синтезировала новый цеолитный материал с улучшенной термической стабильностью, что перспективно для катализа. Модель может проанализировать тысячи вариантов синтеза за минуту, предоставляя учёным отличную стартовую точку для экспериментов с совершенно новыми материалами.

Исследователи полагают, что этот подход можно расширить на другие классы материалов, такие как металлоорганические каркасы и неорганические твёрдые тела. Конечной целью является интеграция таких интеллектуальных систем с автономными лабораторными экспериментами для радикального ускорения разработки материалов.

ИИ: В 2026 году подобные разработки становятся ключевым драйвером прогресса в материаловедении, сокращая путь от теоретического предсказания до реального образца с недель до часов. Это открывает двери для быстрого создания материалов с заданными свойствами для энергетики, медицины и электроники.