Jonathan Bean, CEO & Co-Founder of Materials Nexus – Interview Series

Jonathan Bean je CEO & Co-Founder of Materials Nexus. S pozadím v teoretické i praktické straně materiálové vědy, Jonathan rychle identifikoval příležitost pro novou platformu modelování materiálů. Zatímco jako výzkumník na University of Cambridge, založil Materials Nexus, aby urychlil přijetí nových materiálů pro řešení klimatické krize.

Jonathanova disertační práce na University of York se týkala pokročilých modelovacích technik pro polykrystalické materiály.

Vedle své role v Materials Nexus, Jonathan je mentorem v Global Talent Mentoring a Leaders in Innovation Fellowships pořádaných Royal Academy of Engineering. Také učí materiálovou vědu pro inženýry na Trinity College, Cambridge a je hostujícím fellowem na London South Bank University.

Materials Nexus je společnost, která používá AI k vytváření lepších materiálů rychleji než kdykoli předtím.

Můžete sdílet příběh za založením Materials Nexus? Co inspirovalo vytvoření společnosti a její zaměření na AI-driven materials discovery?

Ultimately, limit toho, co lze postavit, jsou materiály, které se používají k jeho stavbě; to byla moje motivace studovat materiálovou vědu. Během mého času na University of Cambridge, pracující s mým spoluzakladatelem Robertem Forrestem, touha urychlit náš výzkum inspirovala náš pivot směrem k vývoji algoritmů strojového učení. To se stalo základem technologie Materials Nexus.

Bylo zřejmé, že toto výzkumu může mít pozitivní dopad na svět a jeho přijetí je třeba urychlit. Stejně jako je výkon produktů omezen materiály, je i náš pokrok směrem k nulovým emisím. To nás inspirovalo k založení podniku.

Hlavní hnací silou pro nás jako společnost je zlepšit stav světa, environmentálně, geopoliticky a eticky. Naším cílem je revolucionalizovat materiálový průmysl navrhnout nové materiály, které splňují rostoucí požadavky na udržitelnost a výkon.

Můžete vysvětlit, jak AI transformuje proces materiálového objevu, zejména v kontextu Materials Nexus?

Stejně jako AI ovlivnil proces objevu léků, také fundamentálně mění materiálový objev; transformuje to, co je typicky založeno na metodě pokus-omyl, do procesu založeného na záměru. Ale na rozdíl od farmaceutického výzkumu, je zde přidána složitost a širší prostor pro vyhledávání napříč celou periodickou tabulkou. V Materials Nexus se díváme na celou délku, od kvantové úrovně po bulk – to znamená, že nejen využíváme kvantovou mechaniku pro predikci složení, ale také modelujeme techniky zpracování a syntézy. To nám umožňuje nejen identifikovat, ale také fyzicky produkovat materiály s vysokým výkonem přesně, v řádu měsíců spíše než desetiletí, což výrazně urychluje proces výzkumu a vývoje.

Jaké jsou klíčové výhody používání AI oproti tradičním metodám pokus-omyl při vývoji nových materiálů?

Používání AI pro materiálový objev nabízí několik výhod: rychlost, hospodárnost a udržitelnost jsou klíčové. Naše platforma poháněná AI může analyzovat rozsáhlé datové sady a předpovídat materiálové vlastnosti přesně, vše předtím, než se vkročí do laboratoře, což činí proces nákladově efektivní a méně plýtvající, protože minimalizuje potřebu drahých a zdrojově náročných experimentů. To také znamená, že procesy, které obvykle trvají dny v laboratoři, mohou být provedeny v řádu hodin na naší platformě.

To nakonec odemyká novou sadu příležitostí s cíleným materiálovým „návrhem“ oproti objevu. Je možné začlenit libovolnou datovou sadu nebo materiálový parametr, takový jako emise CO2, náklady nebo hmotnost, a vyhledávat složení, které odpovídá těmto konkrétním potřebám, převracející „objev“ proces na hlavu.

Jakou roli hraje AI a strojové učení při snižování environmentálního dopadu materiálové výroby?

Využívání AI a strojového učení odemyká novou sadu materiálových možností prostřednictvím fáze objevu. Na úrovni výroby je dopad tohoto dvojí; první je elementární složení materiálů samotných, druhá je zpracování podmínek materiálů. AI materiálový objev může buď vyloučit specifické prvky, které mají vysokou environmentální cenu (například vzácné zeminy), nebo snížit jejich složkový procentní podíl. Může být také použit k prozkoumání zpracování technik (například teploty, tlaku nebo i čistoty rudy) požadované k výrobě materiálu a identifikovat nízkoenergetické metody. Tyto dva aspekty mohou mít významný dopad na primární emise materiálové výroby. Je však důležité poznamenat, že environmentální dopad jde beyond výrobu samotnou. Aplikace superior materiálů, ať už s vysokým výkonem nebo levnějších, může mít obrovský pozitivní sekundární environmentální dopad tím, že činí udržitelné technologie více dostupné (například levnější EV), efektivnější (například lepší počítačové čipy pro AI), a méně toxické při jejich likvidaci na konci životnosti (například nahrazující hydrofluorouhlovodíky).

Jak Materials Nexus dokázala vytvořit magnet bez vzácných zemin za pouhé tři měsíce, a jaké jsou důsledky tohoto průlomu?

Naše platforma byla schopna analyzovat přes 100 milionů potenciálních složení magnetů bez vzácných zemin, vše předtím, než se vkročí do laboratoře. To znamenalo, že když jsme postoupili do syntetické fáze, že jsme již měli přesnou predikci složení a jeho vlastností.

Důsledky tohoto magnetu jsou významné: průlom jde beyond objevu tohoto jediného materiálu a signalizuje transformaci staletých materiálových designových procesů. Jak naše platforma se stává více rozvinutou a inteligentní, budeme moci předpovídat složení ještě rychleji a napříč několika materiálovými oblastmi. S 10^100 složeními prvků v periodické tabulce, jsou možnosti nekonečné.

Může AI potenciálně nahradit vzácné kovy v jiných aplikacích beyond magnetů?

AI poháněný materiálový objev má potenciál identifikovat a vyvinout alternativní materiály pro širokou škálu aplikací beyond magnetů. V tomto případě byl cílem najít alternativní složení magnetu, které odstraní vzácné kovy, ale naše algoritmy strojového učení jsou postaveny tak, aby se aplikovaly na jakoukoli materiálovou třídu. To znamená, že stavíme univerzální materiálovou designovou platformu.

V současné době jsou naše platformové schopnosti zaměřeny na slitiny a keramiku, se zvláštním zaměřením na funkční materiály pro aplikace v high-impact green-technologiích, jako jsou elektrické motory, polovodiče, supravodiče a zelený vodík, abychom jmenovali několik.

Jak spolupráce mezi Materials Nexus, Henry Royce Institute a University of Sheffield zvyšuje vývoj nových materiálů?

Naše spolupráce se strategickými partnery napříč inovačním ekosystémem UK, jako je Henry Royce Institute a University of Sheffield, poskytuje přístup k světové úrovni zařízení a odbornosti v specializovaných oblastech materiálové vědy. Tyto partnerství umožňují urychlit syntézu a testování našich predikcí.

Které další sektory mohou těžit z AI poháněného materiálového objevu, a jak?

AI poháněný materiálový objev může mít dopad na každou materiálovou třídu. V Materials Nexus se zaměřujeme na materiály, které jsou považovány za některé z nejobtížnějších a nejdražších, aby se pokročilo a zlepšilo, protože stojí za to udělat největší pozitivní dopad. Každý průmysl bude ovlivněn: energie, letectví, superpočítače, doprava, abychom jmenovali několik. Například v energetickém sektoru, AI může pomoci vyvinout více efektivních a udržitelných materiálů pro baterie a solární články. V superpočítačích, může to vést k vytvoření nových polovodičových materiálů, které zlepšují úložiště dat a zpracování schopností. Povolováním rychlého vývoje materiálů s vysokým výkonem, AI může pohánět inovace a udržitelnost napříč téměř všemi průmysly.

Jaké budoucí pokroky v AI pro materiálovou vědu můžeme očekávat, a jak budou ovlivňovat různé průmysly?

Naše práce bude pokračovat v tlačení hranic toho, co je možné, a jsme oddáni prolomení těchto bariér. Superior materiály znamenají superior inovace, aby se splnily požadavky zítřejších výzev. Budoucnost je omezena pouze naší fantazií.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Materials Nexus.