От проб и ошибок к предсказанию и проверке: Влияние ИИ на исследования и разработки в производстве

На протяжении десятилетий исследования и разработки в производстве в значительной степени полагались на проверенную, но дорогую модель: проб и ошибок. Ученые и инженеры проходят через эксперименты, тестируя различные формулы материалов, покрытия или композиты, часто руководствуясь интуицией, человеческим опытом и инкрементными корректировками. Этот процесс, хотя и является основой для многих прорывов, медленный, расточительный и дорогой.

Сегодня ИИ фундаментально меняет эту парадигму. Вместо того, чтобы полагаться на слепое экспериментирование, компании могут теперь использовать рабочие процессы “предсказать и проверить”: модели ИИ предлагают перспективные кандидаты, направляют, какие эксперименты проводить, и помогают подтвердить их, что значительно сокращает количество неудачных испытаний. Этот сдвиг не только теоретический, но уже открывает значительные возможности в таких областях, как хранение энергии, композиты и поверхностные обработки.

Почему традиционные исследования и разработки неэффективны

Традиционные исследования и разработки обычно полагаются на экспериментирование, возглавляемое человеком. Исследователи формулируют материал, проводят испытания, анализируют результаты, корректируют и повторяют. Каждый цикл занимает время, ресурсы и часто большие объемы материалов, особенно в секторах, таких как покрытия или передовые композиты.

Этот подход имеет три больших недостатка:

1. Высокая стоимость: Физические эксперименты потребляют химикаты, энергию, время лаборатории и рабочую силу.
2. Длительные сроки: Итеративные циклы означают, что может потребоваться месяцы или годы, чтобы прийти к оптимальным формулам.
3. Расход ресурсов: Многие эксперименты неудачны или дают только инкрементные улучшения.

Во многих секторах этот метод几乎 не изменился за последние полвека.

ИИ: предсказать, прежде чем попробовать

ИИ меняет это фундаментально. Вместо того, чтобы тестировать все в лаборатории, модели, управляемые ИИ, могут предсказать, какие формулы материалов, вероятно, будут работать, отфильтровать неперспективные и направить эксперименты более интеллектуально.

Рабочий процесс “предсказать и проверить” использует ИИ для оптимизации исследований и разработок, направляя экспериментирование, а не полагаясь на догадки. Сначала модели обучаются на существующих данных, таких как прошлые результаты лабораторных испытаний и свойства материалов, чтобы узнать, как различные параметры влияют на производительность. Затем они предсказывают, какие формулы или условия процесса наиболее вероятно соответствуют конкретным целям, от долговечности до проводимости. Исследователи проводят небольшой, сосредоточенный набор экспериментов для проверки этих предсказаний, и результаты подают обратную связь в модель, повышая ее точность с течением времени. Этот непрерывный цикл значительно сокращает количество необходимых экспериментов, ускоряя открытия.

Например, в исследованиях и разработках батарей открытие новых материалов для электродов или электролитов традиционно означало синтез и тестирование десятков (если не сотен) вариантов. Модели ИИ могут предсказать, какие комбинации химических компонентов (например, солей, растворителей, добавок) вероятно дадут целевые показатели, такие как более высокая плотность энергии или более длительная жизнь цикла, сокращая количество дорогих физических испытаний.

Почему общие модели ИИ (например, ChatGPT) не могут сделать это

Это заманчиво представить себе возможность внедрения мощной модели LLM в лабораторные исследования и разработки и иметь ее “выяснение” новых материалов. Однако на самом деле общие модели языка не подходят для физической науки.

• Модели LLM предназначены для работы с текстом, а не с структурированными научными данными.
• Они не понимают молекулярные свойства, термодинамику или кинетику реакций механическим образом.
• Без обучения в конкретной области они могут генерировать правдоподобно звучащие, но научно неверные комбинации.

Ускорение инноваций на рынок

Поскольку ИИ направляет экспериментирование, путь от концепции к жизнеспособному материалу значительно сокращается. Вместо того, чтобы проводить сотни экспериментов, компании могут сосредоточиться на небольшом количестве высокопотенциальных кандидатов, протестировать их и масштабировать.

Самые успешные исследования и разработки, управляемые ИИ, сочетают глубокий опыт в конкретной области с сильной наукой о данных, создавая партнерство, которое сохраняет предсказания, основанные на физической реальности. Химики обеспечивают, чтобы предложения, сгенерированные ИИ, были фактически синтезируемыми, безопасными и масштабируемыми, в то время как ученые, занимающиеся данными, строят и настраивают модели, открывают закономерности и генерируют гипотезы для экспертов, чтобы подтвердить их. По мере поступления новых результатов экспериментов химики уточняют свои протоколы, а ученые, занимающиеся данными, обновляют модели, формируя непрерывный цикл, в котором ИИ предлагает, люди подтверждают, и обе стороны учатся. Этот добродетельный цикл постоянно улучшает точность и ускоряет значимые открытия.

Вызовы и соображения

Хотя подход “предсказать и проверить”, управляемый ИИ, мощный, он не является серебряной пулей. Существуют важные вызовы, которые необходимо преодолеть:

1. Недоступность данных: Одним из самых больших барьеров для ускорения исследований и разработок является просто поиск и использование данных, необходимых для обучения эффективных моделей. Большая часть информации, необходимой ученым и инженерам, разбросана по изолированным системам, хранится в несовместимых форматах или не оцифрована вовсе. Даже когда она доступна, данные могут быть трудными и耗ать время для очистки, структуризации и интерпретации. Это замедляет прогресс задолго до начала экспериментирования.
2. Повторяемость: Когда ИИ предсказывает перспективные кандидаты, важно, чтобы эти предсказания были верифицируемыми. Исследователи недавно подчеркнули важность повторяемой работы в области материаловедения, особенно в рамках, которые утверждают, что предсказывают свойства неорганических материалов.
3. Интерпретируемость: Чтобы ИИ был доверен в исследованиях и разработках, модели должны быть объяснимыми. В противном случае химики могут не доверять или действовать на основе рекомендаций. Исследования по объяснимому ИИ в производстве показали, как выходные данные моделей могут быть визуализированы для направления решений по проектированию.
4. Интеграция с существующими рабочими процессами: ИИ должен дополнять, а не заменять, человеческие рабочие процессы. Лаборатории должны адаптироваться: создавать системы для сбора данных, развертывать обратные связи между моделированием и экспериментированием и инвестировать в навыки сотрудничества.

Большая картина: роль ИИ в будущем производства

Переход от проб и ошибок к предсказанию и проверке – это больше, чем просто техническое обновление. Это представляет собой культурный сдвиг в исследованиях и разработках. ИИ не только ускорит инновации, но и демократизирует их. Меньшие компании с меньшими ресурсами могут конкурировать, используя предсказательные модели для направления своих экспериментов. Будущее исследований и разработок в производстве будет определяться интеллектуальным экспериментированием, где машины и люди сотрудничают в тесном цикле предсказания, верификации и уточнения.

Критически важно, что ИИ не здесь, чтобы заменить ученых или инженеров. Обрабатывая повторяющуюся обработку данных и сужая поле перспективных кандидатов, ИИ позволяет ученым тратить больше времени на науку, а инженерам – на инженерию. Вместо того, чтобы автоматизировать людей из процесса, ИИ усиливает человеческий опыт и удаляет узкие места, которые предотвращают команды от работы на полную творческую и техническую мощность.

Исследования и разработки в производстве давно застряли в цикле медленных, ресурсоемких проб и ошибок. С ИИ это меняется. Переходя на парадигму “предсказать и проверить”, компании могут радикально сократить отходы, стоимость и время выхода на рынок и ускорить инновации в критических секторах.

Самые мощные применения возникают, когда эксперты в конкретной области и ученые, занимающиеся данными, работают вместе, используя специализированные модели, адаптированные к физическим, химическим и структурным свойствам материалов. Обещание ИИ в этом контексте не только в автоматизации, но и в более умном экспериментировании, более эффективном открытии и более устойчивом производстве.

Мы вступаем в новую эру, где исследования и разработки не измеряются неудачными испытаниями, а подтвержденными предсказаниями. Компании, которые принимают этот подход, будут возглавлять следующую волну промышленных инноваций.