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

Ο Jonathan Bean είναι ο CEO & Co-Founder της Materials Nexus. Με背景 σε θεωρητική και πρακτική πλευρά της επιστήμης των υλικών, ο Jonathan ήταν γρήγορος να αναγνωρίσει την ευκαιρία για μια νέα πλατφόρμα μοντελοποίησης υλικών. Καθώς ήταν ερευνητής στο Πανεπιστήμιο του Κέιμπριτζ, ίδρυσε την Materials Nexus για να επιταχύνει την υιοθέτηση νέων υλικών για την αντιμετώπιση της κλιματικής κρίσης.

Η έρευνα του Jonathan για το PhD στο Πανεπιστήμιο του Γιορκ ήταν για προηγμένες τεχνικές μοντελοποίησης για πολυκρυσταλλικά υλικά.

Παράλληλα με τον ρόλο του στην Materials Nexus, ο Jonathan είναι μέντορας στο Global Talent Mentoring και στα Leaders in Innovation Fellowships που διεξάγονται από τη Βασιλική Ακαδημία Μηχανικής. Διδάσκει επίσης Επιστήμη Υλικών για Μηχανικούς στο Trinity College, Κέιμπριτζ και είναι Επισκέπτης Fellow στο London South Bank University.

Materials Nexus είναι μια εταιρεία που χρησιμοποιεί AI για να δημιουργήσει υπεροχή υλικά γρηγορότερα από ποτέ.

Μπορείτε να μοιραστείτε την ιστορία πίσω από την ίδρυση της Materials Nexus; Τι ενέπνευσε τη δημιουργία της εταιρείας και την εστίασή της στην AI-κίνητη ανακάλυψη υλικών;
Τελικά, το όριο του τι μπορεί να κατασκευαστεί είναι τα υλικά που χρησιμοποιούνται για την κατασκευή του· αυτό ήταν η мотивασία μου για να σπουδάσω την επιστήμη των υλικών. Κατά τη διάρκεια της θητείας μου στο Πανεπιστήμιο του Κέιμπριτζ, εργαζόμενος με τον συνιδρυτή μου Robert Forrest, η επιθυμία να κάνουμε την έρευνά μας να προχωρήσει γρηγορότερα ενέπνευσε την πivot μας προς την ανάπτυξη αλγορίθμων μηχανικής μάθησης. Αυτό έγινε η βάση της τεχνολογίας της Materials Nexus.
Ήταν σαφές ότι αυτή η έρευνα θα μπορούσε να έχει θετική επίδραση στον κόσμο και η υιοθέτησή της χρειαζόταν να επιταχυνθεί. Με τον ίδιο τρόπο, η απόδοση των προϊόντων περιορίζεται από τα υλικά, όπως και η πρόοδός μας προς το μηδέν. Αυτό είναι αυτό που ενέπνευσε την ίδρυση της επιχείρησης.
Μια κινητήρια δύναμη για εμάς ως εταιρεία είναι να βελτιώσουμε την κατάσταση του κόσμου, περιβαλλοντικά, γεωπολιτικά και ηθικά. Ο στόχος μας είναι να επαναφέρουμε τη βιομηχανία υλικών με τη σχεδίαση καινοτόμων υλικών που ανταποκρίνονται στις αυξανόμενες απαιτήσεις για βιωσιμότητα και απόδοση.
Μπορείτε να εξηγήσετε πώς η AI μεταμορφώνει τη διαδικασία ανακάλυψης υλικών, ιδιαίτερα στο πλαίσιο της Materials Nexus;
Με τον ίδιο τρόπο η AI επηρέασε τη διαδικασία ανακάλυψης φαρμάκων, μεταμορφώνει επίσης τη διαδικασία ανακάλυψης υλικών· μετατρέποντας μια διαδικασία που βασίζεται σε δοκιμές και λάθη σε μια διαδικασία σχεδιασμού με πρόθεση. Αλλά αντί της ερευνάς φαρμάκων, υπάρχει η πρόσθετη复雑ότητα και ένας ευρύτερος χώρος αναζήτησης σε όλη την περιοδική πίνακα. Στην Materials Nexus, εξετάζουμε όλο το μήκος-κλίμακα, από το κβαντικό επίπεδο στο bulk – αυτό σημαίνει ότι δεν μόνο εκμεταλλευόμαστε τη κβαντική μηχανική για την πρόβλεψη σύνθεσης αλλά και τη μοντελοποίηση τεχνικών επεξεργασίας και σύνθεσης. Αυτό μας επιτρέπει να αναγνωρίσουμε όχι μόνο, αλλά και να παράγουμε υλικά υψηλής απόδοσης με ακρίβεια, σε χρόνο μηνών αντί δεκαετιών, επιταχύνοντας σημαντικά τη διαδικασία Έρευνας και Ανάπτυξης.
Ποια είναι τα βασικά οφέλη της χρήσης της AI έναντι των παραδοσιακών μεθόδων δοκιμών και λαθών στην ανάπτυξη νέων υλικών;
Η χρήση της AI για την ανακάλυψη υλικών προσφέρει πολλά οφέλη: ταχύτητα, οικονομική αποδοτικότητα και βιωσιμότητα είναι τα βασικά. Η πλατφόρμα μας που βασίζεται στην AI μπορεί να αναλύσει τεράστιους συνόλους δεδομένων και να προβλέψει ιδιότητες υλικών με ακρίβεια, όλα πριν από την είσοδο σε ένα εργαστήριο, καθιστώντας τη διαδικασία οικονομικά αποδοτική και λιγότερο σπατάλη, поскольку ελαχιστοποιεί την ανάγκη για ακριβές και πόρων-εντατικές πειράματα. Αυτό σημαίνει επίσης ότι οι διαδικασίες που συνήθως διαρκούν ημέρες σε ένα εργαστήριο μπορούν να γίνουν σε ώρες στην πλατφόρμα μας.
Αυτό ανοίγει νέες ευκαιρίες με στόχο τον “σχεδιασμό” υλικών αντί της “ανακάλυψης”. Είναι δυνατό να ενσωματωθούν οποιαδήποτε σύνολα δεδομένων ή παραμέτρους υλικών, όπως εκπομπές CO2, κόστος ή βάρος, και να αναζητηθούν σύνθεσεις για να ταιριάζουν σε αυτές τις συγκεκριμένες ανάγκες, αναστρέφοντας τη διαδικασία “ανακάλυψης” από την αρχή.
Τι ρόλο παίζουν η AI και η μηχανική μάθηση στη μείωση της περιβαλλοντικής επίδρασης της παραγωγής υλικών;
Η αξιοποίηση της AI και της μηχανικής μάθησης ανοίγει ένα τεράστιο νέο σύνολο ευκαιριών μέσω της φάσης ανακάλυψης. Στην Materials Nexus, η επίδραση αυτής είναι διπλή· πρώτα είναι η στοιχείωση σύνθεσης των υλικών τους ιδίων, δεύτερα είναι οι συνθήκες επεξεργασίας των υλικών. Η ανακάλυψη υλικών με AI μπορεί να αποκλείσει συγκεκριμένα στοιχεία που έχουν υψηλό περιβαλλοντικό κόστος (π.χ. σπάνια γήινα στοιχεία) ή να μειώσει το ποσοστό σύνθεσής τους. Μπορεί επίσης να χρησιμοποιηθεί για να εξετάσει τις τεχνικές επεξεργασίας (π.χ. τη θερμοκρασία, την πίεση ή ακόμη και την καθαρότητα του ορυκτού) που απαιτούνται για την παραγωγή του υλικού και να αναγνωρίσει μεθόδους χαμηλής ενέργειας. Αυτά τα δύο στοιχεία μπορούν να έχουν σημαντική επίδραση στις πρωταρχικές εκπομπές παραγωγής υλικών. Ωστόσο, είναι σημαντικό να σημειωθεί ότι η περιβαλλοντική επίδραση υπερβαίνει την παραγωγή μόνο. Η εφαρμογή υλικών υψηλής απόδοσης, τόσο υψηλής απόδοσης όσο και φθηνότερων, μπορεί να έχει μια τεράστια θετική δευτερεύουσα περιβαλλοντική επίδραση, κάνωντας τις βιώσιμες τεχνολογίες πιο προσιτές (π.χ. φθηνότερα ηλεκτρικά οχήματα), πιο αποτελεσματικές (π.χ. καλύτερα μικροτσίπ για AI), και λιγότερο τοξικά στην τελική τους διάθεση (π.χ. αντικαθιστώντας υδροφθοράνθρακες).
Πώς η Materials Nexus κατάφερε να δημιουργήσει ένα σπάνιο-γήινο-ελεύθερο μαγνήτη σε μόλις τρεις μήνες, και ποίες είναι οι επιπτώσεις αυτής της ανακάλυψης;
Η πλατφόρμα μας ήταν σε θέση να αναλύσει πάνω από 100 εκατομμύρια πιθανές συνθέσεις σπάνια-γήινων-ελεύθερων μαγνητών πριν από την είσοδο σε ένα εργαστήριο. Αυτό σημαίνει ότι όταν προχωρήσαμε στο στάδιο της σύνθεσης, ήδη είχαμε μια ακριβή πρόβλεψη της σύνθεσης και των ιδιοτήτων της.
Οι επιπτώσεις του μαγνήτη αυτού είναι σημαντικές· η ανακάλυψη αυτή υπερβαίνει την ανακάλυψη ενός đơnου υλικού και σηματοδοτεί τη μεταμόρφωση των αιώνων-παλαιών διαδικασιών σχεδιασμού υλικών. Όσο η πλατφόρμα μας γίνεται πιο ανεπτυγμένη και έξυπνη, θα είμαστε σε θέση να προβλέψουμε συνθέσεις ακόμη πιο γρήγορα και σε πολλαπλά υλικά. Με 10^100 συνθέσεις στοιχείων στον περιοδικό πίνακα, οι δυνατότητες είναι απεριόριστες.
Μπορεί η AI να αντικαταστήσει τα σπάνια γήινα μέταλλα σε άλλες εφαρμογές πέρα από τους μαγνήτες;
Η ανακάλυψη υλικών με AI έχει το δυναμικό να αναγνωρίσει και να αναπτύξει εναλλακτικά υλικά για μια τεράστια ποικιλία εφαρμογών πέρα από τους μαγνήτες. Σε αυτήν την περίπτωση, ο στόχος ήταν να βρεθεί μια εναλλακτική σύνθεση μαγνήτη που αφαιρεί τα σπάνια γήινα στοιχεία, αλλά οι αλγόριθμοί αναζήτησης μας είναι κατασκευασμένοι για να εφαρμοστούν σε οποιαδήποτε κατηγορία υλικών. Αυτό σημαίνει ότι κατασκευάζουμε μια καθολική πλατφόρμα σχεδιασμού υλικών.
Σημερινά, οι ικανότητες της πλατφόρμας μας επικεντρώνονται σε κράματα και κεραμικά, με ιδιαίτερη έμφαση σε λειτουργικά υλικά για εφαρμογές σε υψηλής επίδρασης πράσινες τεχνολογίες όπως ηλεκτρικοί κινητήρες, ημιαγωγοί, υπεραγωγοί και πράσινο υδρογόνο, για να αναφέρουμε λίγες.
Πώς η συνεργασία μεταξύ της Materials Nexus, του Ινστιτούτου Henry Royce και του Πανεπιστημίου του Σέφιλντ ενισχύει την ανάπτυξη νέων υλικών;
Οι συνεργασίες μας με βασικούς στρατηγικούς συνεργάτες σε όλο το οικοσύστημα καινοτομίας του Ηνωμένου Βασιλείου, όπως το Ινστιτούτο Henry Royce και το Πανεπιστήμιο του Σέφιλντ, παρέχουν πρόσβαση σε παγκόσμιας κλάσης εγκαταστάσεις και εμπειρογνωσία σε εξειδικευμένες περιοχές της επιστήμης των υλικών. Αυτές οι συνεργασίες μας επιτρέπουν να επιταχύνουμε τη σύνθεση και τον έλεγχο των προβλέψεών μας.
Ποια άλλα τομείς θα μπορούσαν να ωφεληθούν από την AI-κίνητη ανακάλυψη υλικών, και πώς;
Η ανακάλυψη υλικών με AI μπορεί να επηρεάσει κάθε κατηγορία υλικών. Στην Materials Nexus, επικεντρωνόμαστε σε υλικά που θεωρούνται από τα πιο δύσκολα και ακριβά να προχωρήσουν και να βελτιωθούν, καθώς έχουν τη μεγαλύτερη θετική επίδραση. Κάθε βιομηχανία θα επηρεαστεί· ενέργεια, αεροπορία, υπερυπολογιστές, μεταφορά, για να αναφέρουμε λίγες. Για παράδειγμα, στον τομέα της ενέργειας, η AI μπορεί να βοηθήσει στην ανάπτυξη πιο αποτελεσματικών και βιώσιμων υλικών για μπαταρίες και φωτοβολταϊκές κυψέλες. Σε υπερυπολογιστές, μπορεί να οδηγήσει στη δημιουργία νέων ημιαγωγών που ενισχύουν την αποθήκευση και την επεξεργασία δεδομένων. Ενabling την ταχεία ανάπτυξη υλικών υψηλής απόδοσης, η AI μπορεί να οδηγήσει την καινοτομία και τη βιωσιμότητα σε几乎 όλες τις βιομηχανίες.
Ποίες μελλοντικές προόδους στην AI για την επιστήμη των υλικών μπορούμε να περιμένουμε, και πώς θα επηρεάσουν διάφορες βιομηχανίες;
Η δουλειά μας θα συνεχίσει να推 τα όρια του τι είναι δυνατό και είμαστε αφοσιωμένοι στο να σπάσουμε αυτά τα εμπόδια. Υλικά υψηλής απόδοσης σημαίνουν υψηλή καινοτομία για να ανταποκριθούμε στις απαιτήσεις των προκλήσεων της αύριον. Το μέλλον είναι περιορισμένο μόνο από την φαντασία μας.
Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Materials Nexus.