Jonathan Bean, VD och medgrundare av Materials Nexus – Intervju-serie

Jonathan Bean är VD och medgrundare av Materials Nexus. Med en bakgrund inom både den teoretiska och praktiska ingenjörssidan av materialvetenskap, identifierade Jonathan snabbt möjligheten för en ny materialmodelleringsplattform. Medan han var forskare vid University of Cambridge grundade han Materials Nexus för att påskynda införandet av nya material för att hantera klimatkrisen.

Jonathans doktorsavhandling vid University of York handlade om avancerade modelleringstekniker för polykristallina material.

Utöver sin roll på Materials Nexus är Jonathan mentor hos Global Talent Mentoring och Leaders in Innovation Fellowships som drivs av Royal Academy of Engineering. Han undervisar också i materialvetenskap för ingenjörer vid Trinity College, Cambridge och är gästforskare vid London South Bank University.

Materials Nexus är ett företag som använder AI för att skapa överlägsna material snabbare än någonsin tidigare.

Kan du dela historien bakom grundandet av Materials Nexus? Vad inspirerade skapandet av företaget och dess fokus på AI-driven materialupptäckt?

Till sist är gränsen för vad som kan byggas de material som används för att bygga det; det var min motivation för att studera materialvetenskap. Under min tid vid University of Cambridge, när jag arbetade med min medgrundare Robert Forrest, inspirerade önskan att göra vår forskning snabbare oss att utveckla maskinlärningsalgoritmer. Detta blev grunden för Materials Nexus teknologi.

Det var tydligt att denna forskning kunde ha en positiv inverkan i världen och dess antagande behövde påskyndas. På samma sätt är prestandan hos produkter begränsad av material, liksom vår framsteg mot nettonoll. Detta är vad som inspirerade oss att grunda företaget.

En drivande kraft för oss som företag är att förbättra världens tillstånd, miljömässigt, geopolitiskt och etiskt. Vårt mål är att revolutionera materialindustrin genom att designa nya material som uppfyller de växande kraven på både hållbarhet och prestanda.

Kan du förklara hur AI förvandlar processen för materialupptäckt, särskilt i sammanhanget Materials Nexus?

På samma sätt som AI påverkade läkemedelsupptäckten, förvandlar det också materialupptäckten; transformerar vad som vanligtvis är en trial-and-error-baserad process till en avsiktlig designprocess. Men till skillnad från farmaceutisk forskning finns det den tillagda komplexiteten och en bredare sökrymd över hela periodiska systemet. Hos Materials Nexus tittar vi på hela längdskalan, från kvantnivå till bulk – detta innebär att vi inte bara använder kvantmekanik för sammansättningsprediktion utan också modellerar bearbetnings- och syntestekniker. Detta tillåter oss att inte bara identifiera, utan också fysiskt producera högpresterande material exakt, på några månader istället för decennier, vilket avsevärt påskyndar FoU-processen.

Vilka är de viktigaste fördelarna med att använda AI jämfört med traditionella trial-and-error-metoder vid utveckling av nya material?

Användning av AI för materialupptäckt erbjuder flera fördelar: hastighet, kostnadseffektivitet och hållbarhet är nyckel. Vår AI-drivna plattform kan analysera stora datamängder och förutsäga materialegenskaper exakt, allt innan man sätter foten i ett laboratorium, vilket gör processen kostnadseffektiv och mindre slösande, eftersom det minimerar behovet av dyra och resurskrävande experiment. Detta innebär också att processer som vanligtvis tar dagar i ett laboratorium kan göras på några timmar på vår plattform.

Vilken roll spelar AI och maskinlärning för att minska den miljömässiga påverkan av materialproduktion?

Att utnyttja AI och maskinlärning låser upp en stor ny uppsättning materialmöjligheter genom upptäcktsfasen. Hos Materials Nexus kan AI-materialupptäckt antingen utesluta specifika element som har en hög miljökostnad (t.ex. sällsynta jordartsmetaller) eller minska deras sammansättningsprocent. Det kan också användas för att undersöka bearbetningstekniker (t.ex. temperatur, tryck eller renhet av malm) som krävs för att tillverka materialet och identifiera lågenergimetoder. Dessa två aspekter kan ha en betydande inverkan på de primära utsläppen från materialproduktion. Men det är viktigt att notera att miljöpåverkan går utöver produktionen ensam. Tillämpningen av överlägsna material, både högpresterande eller billigare, kan ha en enormt positiv sekundär miljöpåverkan genom att göra hållbara teknologier mer tillgängliga (t.ex. billigare elbilar), mer effektiva (t.ex. bättre datorchips för AI) och mindre giftiga vid deras slutskede (t.ex. ersätter fluorkol).

Hur lyckades Materials Nexus skapa ett sällsynt jordartsmetallfritt magnet i bara tre månader, och vad är implikationerna av denna genombrott?

Vår plattform kunde analysera över 100 miljoner potentiella sammansättningar av sällsynta jordartsmetallfria magneter, allt innan vi satte foten i ett laboratorium. Detta innebar att när vi gick vidare till syntesstadiet att vi redan hade en exakt förutsägelse av sammansättningen och dess egenskaper.

Implikationerna av denna magnet är betydande: genombrottet går utöver upptäckten av detta enskilda material och signalerar omvandlingen av århundraden gamla materialdesignprocesser. När vår plattform blir mer utvecklad och intelligent kommer vi att kunna förutsäga sammansättningar ännu snabbare och över flera materialområden. Med 10¹⁰⁰ sammansättningar av element i periodiska systemet är möjligheterna oändliga.

Kan AI potentiellt ersätta sällsynta jordartsmetaller i andra tillämpningar utöver magneter?

AI-driven materialupptäckt har potentialen att identifiera och utveckla alternativa material för en stor mängd tillämpningar utöver magneter. I detta fall var målet att hitta en alternativ magnetisk sammansättning som tog bort sällsynta jordartsmetaller, men våra maskinlärningssökalgoritmer är byggda för att appliceras på alla materialklasser. Detta innebär att vi bygger en universell materialdesignplattform.

För närvarande är våra plattformskapaciteter fokuserade på legeringar och keramer, med en särskild fokus på funktionella material för tillämpningar inom högpresterande gröna teknologier som elmotorer, halvledare, supraledare och grön vätgas, för att nämna några.

Hur samarbetet mellan Materials Nexus, Henry Royce Institute och University of Sheffield förbättrar utvecklingen av nya material?

Vårt samarbete med nyckelstrategiska partners inom Storbritanniens innovations ekosystem, som Henry Royce Institute och University of Sheffield, ger oss tillgång till världsklassfaciliteter och expertis inom specialiserade områden av materialvetenskap. Dessa partnerskap möjliggör för oss att påskynda syntesen och testningen av våra förutsägelser.

Vilka andra sektorer kan dra nytta av AI-driven materialupptäckt, och hur?

AI-driven materialupptäckt kan påverka varje materialklass. Hos Materials Nexus fokuserar vi på material som anses vara några av de svåraste och dyraste att utveckla och förbättra, eftersom de står för att göra den största positiva inverkan. Varje industri kommer att påverkas: energi, flyg, superdatorer, transport, för att nämna några. Till exempel kan AI inom energisektorn hjälpa till att utveckla mer effektiva och hållbara material för batterier och solceller. Inom superdatorer kan det leda till skapandet av nya halvledarmaterial som förbättrar datalagring och bearbetningsförmåga. Genom att möjliggöra snabb utveckling av högpresterande material kan AI driva innovation och hållbarhet över nästan alla industrier.

Vilka framtida framsteg i AI för materialvetenskap kan vi förvänta oss att se, och hur kommer de att påverka olika industrier?

Vårt arbete kommer att fortsätta att trycka på gränserna för vad som är möjligt och vi är dedikerade till att bryta dessa barriärer. Överlägsna material innebär överlägsen innovation för att möta morgondagens utmaningar. Framtiden är bara begränsad av vår fantasi.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Materials Nexus.