מודל הבינה המלאכותית פורץ הדרך של מיקרוסופט לעיצוב חומרים מגביר את הדיוק פי 10

MatterGen: מודל בינה מלאכותית מהפכני לעיצוב חומרים

מיקרוסופט חשפה את MatterGen, מודל שפה גדול פורץ דרך שתוכנן במיוחד ליצירת חומרים אנאורגניים. המודל החדשני הזה, הבנוי על ארכיטקטורת מודל דיפוזיה, מסוגל לייעל בהדרגה סוגי אטומים, קואורדינטות וסריגים מחזוריים. זה מאפשר יצירה מהירה של חומרים אנאורגניים חדשים ומגוונים. דוגמה מצוינת לפוטנציאל שלו היא בתחום האנרגיה, שם MatterGen יכול ליצור חומרי קתודה חדשים לסוללות ליתיום-יון.

על ידי התאמת סוגי האטומים, הצגת יסודות מתכת מעבר בעלי מבנים אלקטרוניים ייחודיים, וקביעה מדויקת של מיקומם בתוך הסריג, MatterGen מאפשרת פיתוח סריגים גבישיים בעלי מיקרו-מבנים ייחודיים. יש לכך פוטנציאל לשפר משמעותית את חיי הסוללה והביצועים שלה.

גילוי חומרים משופר עם MatterGen

בהשוואה לשיטות מסורתיות של גילוי חומרים, MatterGen מגדיל באופן משמעותי את שיעור החומרים היציבים, הייחודיים והחדשים שנוצרים ביותר מפי שניים. יתר על כן, המבנים שנוצרו קרובים פי עשרה למינימום האנרגיה המקומית של תיאוריית פונקציונליות הצפיפות (DFT). זה הופך את MatterGen לכלי רב ערך עבור מגזרים היי-טק כמו כלי רכב חשמליים, תעופה וחלל ושבבים אלקטרוניים.

אנלוגיה פשוטה: בנייה עם MatterGen

כדי לעזור להבין את המושג המורכב הזה, דמיינו שאתם רוצים לבנות בית. שיטות מסורתיות כוללות בחירה מתוך עיצובים קיימים, שאולי לא מתאימים באופן מושלם לדרישות שלכם.

MatterGen, לעומת זאת, מאפשר לכם לציין את הצרכים המדויקים שלכם. אתם יכולים לומר, "אני רוצה בית עם חמישה חדרי שינה, חדר כושר, חדר משחקים, שני חדרי שינה קטנים, חדר שינה ראשי וגינה קטנה. אני רוצה אדריכלות בסגנון סיני עם קישוטי דרקון ועוף החול."

במהותו, MatterGen מפרק את התהליך המורכב של גילוי חומרים אנאורגניים באמצעות תהליך גנרטיבי מפורט. הוא בוחן ובונה שילובי חומרים אידיאליים ופריסות מבניות בהתבסס על דרישות ספציפיות.

הוא מתחיל בבחירת סוגי האטומים המתאימים, בדומה לבחירת חומרי בנייה בעלי תכונות שונות.

לאחר מכן הוא קובע במדויק את הקואורדינטות של אטומים אלה בחלל, בדומה להנחת כל לבנה בדיוק.

לבסוף, הוא בונה סריג מחזורי מושלם, ויוצר מסגרת חזקה וייחודית.

כוחה של הבינה המלאכותית במדעי החומרים

ההתקדמות המהירה בבינה מלאכותית מעצבת מחדש תחומים שונים, ומדעי החומרים אינם יוצאים מן הכלל. היכולת של MatterGen לגלות מוליכי על חדשים, להגביר את ביצועי המחשוב, ולאחר מכן לגלות עוד יותר חומרים מוליכי על, היא עדות לכך. זהו מחזור חיזוק עצמי שבו הבינה המלאכותית משכללת ומייעלת כל דבר כל הזמן.

יישומים פוטנציאליים והשפעה

• טכנולוגיית סוללות: MatterGen יכול לחולל מהפכה בתוספי תאי סוללה, תחום שראה דיון וביקוש משמעותיים. למודל יש פוטנציאל לסייע בייצור חומרים פעילים לאלקטרודה חיובית.
• משמעויות של בינה מלאכותית כללית (AGI): היכולות של המודל מרמזות כי מדובר בהתקדמות לקראת בינה מלאכותית כללית.
• אתגרים גלובליים: לטכנולוגיה זו יש הבטחה להתמודדות עם אתגרים גלובליים, כמו שינויי אקלים.

הארכיטקטורה של MatterGen: תהליך הדיפוזיה

בליבה של MatterGen טמון תהליך הדיפוזיה, בהשראת התופעה הפיזית שבה חלקיקים נעים מאזורים של ריכוז גבוה לאזורים של ריכוז נמוך עד להגעה לפיזור אחיד. בעיצוב חומרים, תהליך זה מותאם ליצירת מבנה גבישי מסודר ויציב ממצב התחלתי אקראי לחלוטין.

התהליך מתחיל במבנה התחלתי אקראי חסר כל משמעות פיזית. לאחר מכן, באמצעות סדרה של שלבים איטרטיביים, MatterGen מפחית 'רעש' במבנה ההתחלתי, ומקרב אותו למבנה גבישי אמיתי. זה לא אקראי; זה מונחה על ידי חוקים פיזיים ועקרונות מדעי החומרים.

בכל איטרציה, MatterGen מעדן את סוגי האטומים, הקואורדינטות ופרמטרי הסריג. התאמות אלה מבוססות על התפלגות מוגדרת מראש, בעלת מוטיבציה פיזית, המבטיחה שהמודל יתחשב בתכונות פיזיות ממשיות כמו אורכי קשרים, זוויות קשרים וסימטריית סריג.

דיפוזיית הקואורדינטות מכבדת את הגבולות המחזוריים של הגביש, ומשתמשת בהתפלגות נורמלית עטופה כדי להתאים את מיקומי האטומים, ומונעת מהאטומים לעזוב את המבנה המחזורי של הגביש.

דיפוזיית הסריג משתמשת בצורה סימטרית, כאשר הממוצע של ההתפלגות הוא סריג מעוקב, וצפיפות האטומים הממוצעת נגזרת מנתוני האימון, מה שמבטיח את היציבות והרלוונטיות הפיזית של המבנים שנוצרו.

תפקידן של רשתות ניקוד אקווריאנטיות

רשת הניקוד האקווריאנטית היא מרכיב חיוני נוסף ב-MatterGen. היא לומדת לשחזר את מבנה הגביש המקורי מתהליך הדיפוזיה. עיצוב רשת זו מבוסס על עקרון האקווריאנטיות, כלומר שמערכת שומרת על תכונות מסוימות תחת טרנספורמציות מסוימות. עבור חומרים גבישיים, זה מרמז שתכונות החומר נשארות ללא שינוי במהלך סיבוב ותרגום.

הרשת מוציאה ציונים אקווריאנטיים עבור סוגי אטומים, קואורדינטות וסריגים. ציונים אלה מייצגים את ה'אי התאמה' של כל אטום ופרמטר סריג במבנה הנוכחי, או את הסטייה שלהם ממבנה הגביש האידיאלי. על ידי חישוב ציונים אלה, הרשת מנחה את המודל להתאים אטומים ופרמטרים של סריג, להפחית רעש ולהתקרב למבנה גבישי יציב.

יכולת הסתגלות באמצעות מודולי מתאם

כדי להגביר את הגמישות, MatterGen משלב מודולי מתאם, המאפשרים כוונון עדין למשימות שונות במורד הזרם. מודולים אלה יכולים לשנות את הפלט של המודל בהתבסס על תוויות תכונות נתונות.

מתאמים מציגים סט נוסף של פרמטרים בכל שכבה של המודל, הניתנים להתאמה בהתבסס על תוויות תכונות ספציפיות למשימה. פרמטרים אלה ממוטבים במהלך הכוונון העדין כדי להבטיח שהמבנים שנוצרו עומדים בדרישות משימה ספציפיות. עיצוב זה לא רק משפר את יכולת ההסתגלות אלא גם מפחית את כמות הנתונים המסומנים הנדרשת לכוונון עדין.

לדוגמה, בעת תכנון חומרי סוללה חדשים, המודל עשוי להתמקד במוליכות חשמלית ובקצבי דיפוזיית יונים. עם זאת, אם מתכננים זרז, המודל עשוי להתמקד בפעילות פני השטח ובסלקטיביות. מודולי מתאם מאפשרים למודל להתאים את אסטרטגיות יצירת המבנה שלו בהתאם לצרכים המשתנים הללו.

הכרה ופרסום

מיקרוסופט כבר פרסמה מחקר זה בכתב העת Nature, וזכתה להכרה רחבה מצד מומחי טכנולוגיה מובילים. הוא מושווה לסדרת AlphaFold של גוגל, מודל חיזוי חלבונים שקיבל את פרס נובל לכימיה בשנה שעברה.