Fra prøve og fejl til forudsig og verificer: AI’s indvirkning på fabrikationsforskning og udvikling

I årtier har fabrikationsforskning og udvikling (FoU) i hovedsagen været baseret på en beprøvet, men kostbar model: prøve og fejl. Videnskabsmænd og ingeniører itererer gennem eksperimenter, tester forskellige materialeformuleringer, belægninger eller kompositter, ofte ledet af intuition, menneskelig ekspertise og inkrementelle justeringer. Denne proces, der er grundlæggende for mange gennembrud, er langsom, spildende og dyrekøbt.

I dag transformerer AI fundamentalt denne paradigme. I stedet for at afhænge af blind eksperimentation kan virksomheder nu bruge forudsig-og-verificer-arbejdsgange: AI-modeller foreslår lovende kandidater, guider, hvilke eksperimenter der skal køres, og hjælper med at validere dem, hvilket dramatisk reducerer antallet af fejlslåede forsøg. Denne skift er ikke kun teoretisk, men er allerede i gang med at låse op for store gevinster i områder som energilagring, kompositter og overfladebehandlinger.

Hvorfor traditionel FoU er ineffektiv

Traditionel FoU afhænger typisk af menneskeledet eksperimentation. Forskere formulerer et materiale, kører tests, analyserer resultater, justerer og gentager. Hver cyklus tager tid, ressourcer og ofte store mængder materialer, især i sektorer som belægninger eller avancerede kompositter.

Denne tilgang har tre store ulemper:

1. Høj omkostning: Fysiske eksperimenter forbruger kemikalier, energi, laboratorietid og mandskab.
2. Lange tidsrammer: Iterative cykler betyder, at det kan tage måneder eller år at konvergere på optimale formuleringer.
3. Spild af ressourcer: Mange eksperimenter fejler, eller giver kun inkrementelle forbedringer.

I mange sektorer har denne metode knapt ændret sig i halvtreds år.

Indtast AI: forudsig før du prøver

AI ændrer dette fundamentalt. I stedet for at teste alt i laboratoriet kan AI-drevne modeller forudsigge, hvilke materialeformuleringer der er sandsynlige at virke, filtrere ud ubeslutsomme og guide eksperimenter mere intelligent.

Forudsig-og-verificer-arbejdsgangen bruger AI til at strømline FoU ved at guide eksperimentation i stedet for at afhænge af gætteri. Først trænes modeller på eksisterende data, såsom tidligere laboratorieresultater og materialeegenskaber, for at lære, hvordan forskellige parametre påvirker ydelsen. De forudsigger derefter, hvilke formuleringer eller procesbetingelser der er mest sandsynlige at opfylde bestemte mål, fra holdbarhed til ledningsevne. Forskere kører en lille, fokuseret sæt af eksperimenter for at validere disse forudsigelser, og resultaterne føder tilbage i modellen, hvilket skærper dens nøjagtighed over tid. Denne kontinuerlige løkke reducerer betydeligt antallet af eksperimenter, der kræves, og accelererer opdagelsen.

For eksempel i batteri-FoU betyder opdagelse af nye materialer til elektroder eller elektrolytter traditionelt, at man syntetiserer og tester dusinvis (hvis ikke hundredvis) af varianter. AI-modeller kan forudsigge, hvilke kombinationer af kemiske komponenter (f.eks. salte, opløsere, additiver), der er sandsynlige at levere ydelsesmål såsom højere energitæthed eller længere cyklusliv, hvilket reducerer antallet af dyre fysiske tests.

Hvorfor generiske AI-modeller (som ChatGPT) ikke kan gøre dette

Det er fristende at forestille sig at indsætte en kraftfuld LLM i laboratorie-FoU og lade den “figurere ud” nye materialer. Men i virkeligheden er generelle sprogmodeller ikke velegnede til fysisk videnskab.

• LLM’er er designede til at arbejde med tekst, ikke struktureret videnskabelig data.
• De forstår ikke molekylære egenskaber, termodynamik eller reaktionskinetik på en mekanistisk måde.
• Uden domænespecifik træning kan de generere plausibelt-lydende, men videnskabeligt forkerte kombinationer.

Accelerer innovation til markedet

Fordi AI guider eksperimentation, er vejen fra koncept til livskraftigt materiale dramatisk forkortet. I stedet for at køre hundredvis af eksperimenter kan virksomheder fokusere på en håndfuld høj-potentielle kandidater, teste dem og skala op.

Den mest succesfulde AI-drevne FoU kombinerer dyb domæneekspertise med stærk datavidenskab, hvilket skaber et partnerskab, der holder forudsigelserne grundet i fysisk virkelighed. Kemikere sikrer, at AI-genererede forslag er faktisk syntetiserbare, sikre og skalerbare, mens datavidenskabsmænd bygger og justerer modellerne, afdekker mønstre og genererer hypoteser for eksperter at validere. Når nye eksperimentelle resultater kommer ind, refinerer kemikere deres protokoller, og datavidenskabsmænd opdaterer modellerne, hvilket danner en kontinuerlig løkke, hvor AI foreslår, mennesker verificerer, og begge sider lærer. Denne dydige cyklus forbedrer kontinuerligt nøjagtigheden og accelererer meningsfuld opdagelse.

Udfordringer og overvejelser

Selvom den AI-aktiverede forudsig-og-verificer-tilgang er kraftfuld, er den ikke en sølvkugle. Der er vigtige udfordringer at navigere:

1. Utilgængelighed til data: En af de største barrierer for at accelerere FoU er simpelthen at finde og bruge de data, der kræves for at træne effektive modeller. Meget af den information, som videnskabsmænd og ingeniører behøver, er spredt over siloede systemer, gemt i inkonsistente formater eller ikke digitaliseret overhovedet. Selv når det er tilgængeligt, kan data være svært og tidskrævende at rense, strukturere og fortolke. Dette langsomerer fremgangen lang tid før eksperimentation begynder.
2. Reproducerbarhed: Når AI forudsigger lovende kandidater, er det kritisk, at disse forudsigelser er verificerbare. Forskere har nyligt fremhævet vigtigheden af reproducerbar materialeinformatikarbejde, især i rammer, der påstår at forudsigge uorganiske materialeegenskaber.
3. Fortolkning: For at AI kan være tillidt i FoU, skal modellerne være forklarelige. Ellers kan kemikere ikke stole på eller handle på anbefalinger. Forklarlig AI-forskning i fabrikation har vist, hvordan modeloutputs kan visualiseres for at guide designbeslutninger.
4. Integration med eksisterende arbejdsgange: AI skal supplere, ikke erstatte, menneskearbejdsgange. Laboratorier skal tilpasse sig: bygge systemer for datafangst, deployere feedback-løkker mellem modellering og eksperimentation og investere i samarbejdende færdigheder.

Det større billede: AI’s rolle i fremtidens fabrikation

Overgangen fra prøve og fejl til forudsig og verificer er mere end en teknisk opgradering. Det repræsenterer en kulturel skift i FoU. AI vil ikke kun accelerere innovation, men også demokratisere det. Mindre virksomheder med færre ressourcer kan konkurrere ved at udnytte predictive modeller til at guide deres eksperimenter. Fremtidens fabrikations-FoU vil blive defineret af intelligent eksperimentation, hvor maskiner og mennesker samarbejder i en tæt løkke af forudsigelse, verifikation og forbedring.

Vigtigt er, at AI ikke er her for at erstatte videnskabsmænd eller ingeniører. Ved at håndtere repetitive dataprocesser og indsnævre feltet af lovende kandidater, giver AI videnskabsmænd mulighed for at bruge mere tid på videnskab, og ingeniører kan fokusere på ingeniørarbejde. I stedet for at automatisere mennesker ud af processen, forstærker AI menneskelig ekspertise og fjerner flaskehalse, der forhindrer hold i at arbejde på deres fulde kreative og tekniske potentiale.

Fabrikations-FoU har længe været fastlåst i en cyklus af langsom, ressourcekrævende prøve og fejl. Med AI ændrer det sig. Ved at skifte til en forudsig-og-verificer-paradigme kan virksomheder radikalt reducere spild, omkostninger og tid til marked og accelerere innovation i kritiske sektorer.

De mest kraftfulde anvendelser opstår, når domæneeksperter og datavidenskabsmænd arbejder sammen, bruger specialiserede modeller tilpasset de fysiske, kemiske og strukturelle egenskaber af materialer. Løftet om AI i denne kontekst er ikke kun om automation, men om smartere eksperimentation, mere effektiv opdagelse og mere bæredygtig fabrikation.

Vi er ved at indtræde i en ny æra, hvor FoU ikke måles i fejlslåede forsøg, men i verificerede forudsigelser. De virksomheder, der omfavner denne tilgang, vil føre den næste bølge af industriinnovation.