Від проб і помилок до передбачення та верифікації: вплив штучного інтелекту на дослідження та розробку у виробництві

Тривалий час дослідження та розробка (R&D) у сфері виробництва здебільшого спиралися на перевірену, але дорогую модель: проби та помилки. Учені та інженери повторюють експерименти, тестуючи різні матеріали, покриття чи композити, часто керуючись інтуїцією, людським досвідом та інкрементними коригуваннями. Цей процес, хоч і є фундаментальним для багатьох проривів, є повільним, марнотратним та дорогим.

Сьогодні штучний інтелект (AI) фундаментально змінює цю парадигму. Замість того, щоб сприймати сліпі експерименти, компанії можуть тепер використовувати прогнозовані та верифіковані робочі процеси: моделі AI пропонують перспективні кандидати, вказують, які експерименти проводити, та допомагають підтвердити їх, що суттєво зменшує кількість невдалих проб. Ця зміна не тільки теоретична, але вже зараз відкриває великі можливості у сфері енергетичного зберігання, композитів та поверхневих обробок.

Чому традиційні R&D неефективні

Традиційні R&D зазвичай залежать від людських експериментів. Дослідники формулюють матеріал, проводять тести, аналізують результати, коригують та повторюють. Кожен цикл займає час, ресурси та часто великі об’єми матеріалів, особливо у галузях, таких як покриття чи передові композити.

Цей підхід має три великі недоліки:

1. Високі витрати: Фізичні експерименти споживають хімічні речовини, енергію, час лабораторій та робочу силу.
2. Тривалі терміни: Ітеративні цикли означають, що може знадобитися місяці або роки, щоб прийти до оптимальних формул.
3. Марнотратні ресурси: Багато експериментів закінчуються невдачею або дають лише інкрементні поліпшення.

У багатьох галузях цей метод практично не змінився за останні п’ятдесят років.

Штучний інтелект: передбачення перед пробами

Штучний інтелект змінює це фундаментально. Замість проведення всіх тестів у лабораторії, моделі AI можуть передбачити, які матеріали, ймовірно, спрацюють, відфільтрувати неперспективні та спрямувати експерименти більш інтелектуально.

Робочий процес “передбачення та верифікації” використовує AI для оптимізації R&D, спрямовуючи експерименти, а не покладаючись на здогади. Спочатку моделі тренуються на існуючих даних, таких як попередні результати лабораторних експериментів та властивості матеріалів, щоб вивчити, як різні параметри впливають на результат. Потім вони передбачають, які формули або умови процесів найімовірніше відповідають певним цілям, від міцності до провідності. Дослідники проводять малий, зосереджений набір експериментів для верифікації цих передбачень, а результати повертаються до моделі, підвищуючи її точність з часом. Цей безперервний цикл суттєво зменшує кількість необхідних експериментів, прискорюючи відкриття.

Наприклад, у сфері дослідження батарей відкриття нових матеріалів для електродів або електролітів традиційно означало синтез та тестування десятків (якщо не сотень) варіантів. Моделі AI можуть передбачити, які комбінації хімічних компонентів (наприклад, солей, розчинників, добавок) найімовірніше забезпечать цілі, такі як вищу густину енергії або триваліший цикл життя, зменшуючи кількість дорогих фізичних тестів.

Чому загальні моделі AI (як ChatGPT) не можуть зробити цього

Було б спокушливо уявити собі потужну LLM у лабораторних дослідженнях та розробках і мати її “вирішення” нових матеріалів. Однак насправді загальні мовні моделі не підходять для фізичної науки.

• LLM розроблені для роботи з текстом, а не структурованими науковими даними.
• Вони не розуміють молекулярних властивостей, термодинаміки чи кінетики реакцій механічним чином.
• Без спеціальної підготовки вони можуть генерувати правдоподібні, але науково неправильні комбінації.

Прискорення інновацій на ринок

Оскільки AI спрямовує експерименти, шлях від концепції до життєздатного матеріалу суттєво скорочується. Замість проведення сотень експериментів компанії можуть зосередитися на декількох перспективних кандидатах, протестувати їх та масштабувати.

Найуспішніше AI-драйвене R&D поєднує глибокі знання галузі з сильними науками про дані, створюючи партнерство, яке тримає передбачення на землі фізичної реальності. Хіміки забезпечують, щоб пропозиції AI були синтезовані, безпечні та масштабовані, тоді як спеціалісти з даних будують та налаштовують моделі, виявляють закономірності та генерують гіпотези для експертів. Коли нові результати експериментів з’являються, хіміки уточнюють свої протоколи, а спеціалісти з даних оновлюють моделі, утворюючи безперервний цикл, де AI пропонує, люди верифікують, а обидві сторони вчаться. Цей доброзичливий цикл поступово покращує точність та прискорює значимі відкриття.

Виклики та розгляди

Хоча AI-драйвений підхід “передбачення та верифікації” є потужним, він не є срібною кулею. Є важливі виклики, яких потрібно подолати:

1. Недоступність даних: Одним з найбільших бар’єрів для прискорення R&D є просто знаходження та використання даних, необхідних для навчання ефективних моделей. Багато інформації, яку науковці та інженери потребують, розкидана по ізольованих системах, зберігається в несумісних форматах або не цифровізація. Навіть коли дані доступні, вони можуть бути важкими та часозатратними для очистки, структуризації та інтерпретації. Це сповільнює прогрес ще до початку експериментів.
2. Відтворюваність: Коли AI передбачає перспективні кандидати, важливо, щоб ці передбачення були верифіковані. Дослідники недавно підкреслили важливість відтворюваних матеріалів інформатики, особливо у рамках, які передбачають властивості неорганічних матеріалів.
3. Інтерпретація: Для того, щоб AI був довіреним у R&D, моделі повинні бути пояснювані. Інакше хіміки можуть не довіряти чи діяти згідно з рекомендаціями. Дослідження пояснюваного AI у виробництві показало, як виходи моделей можна візуалізувати для керівництва рішеннями про проектування.
4. Інтеграція з існуючими робочими процесами: AI повинен доповнювати, а не замінювати, людські робочі процеси. Лабораторії повинні адаптуватися: будувати системи для захоплення даних, розгортати зворотні зв’язки між моделюванням та експериментами, інвестувати у колаборативні навички.

Більша картина: роль AI у майбутньому виробництва

Перехід від проб і помилок до передбачення та верифікації – це більше, ніж технічне оновлення. Це культурна зміна у R&D. AI не тільки прискорить інновації, але й демократизує їх. Менші компанії з меншими ресурсами можуть конкурувати, використовуючи передбачувальні моделі для керівництва своїми експериментами. Майбутнє досліджень та розробок у виробництві буде визначено інтелектуальними експериментами, де машини та люди співпрацюють у тісному циклі передбачення, верифікації та уточнення.

Важливо, що AI не прийде замість вчених чи інженерів. Виконуючи повторючу обробку даних та звужуючи поле перспективних кандидатів, AI дозволяє вченим витрачати більше часу на науку, а інженерам – на інженерію. Замість автоматизації людей з процесу AI посилює людську експертизу та видаляє瓶часті місця, які запобігають командам працювати на повну свою творчу та технічну потужність.

Дослідження та розробка у виробництві тривалий час були застрягли у циклі повільних, ресурсоємних проб і помилок. З AI це змінюється. Змінивши парадигму на “передбачення та верифікацію”, компанії можуть радикально зменшити марнотратство, витрати та час виходу на ринок, прискорюючи інновації у критичних галузях.

Найпотужніші застосування виникають, коли експерти галузі та спеціалісти з даних працюють разом, використовуючи спеціалізовані моделі, адаптовані до фізичних, хімічних та структурних властивостей матеріалів. Обіцянка AI в цьому контексті не тільки про автоматизацію, а про розумніші експерименти, більш ефективне відкриття та більш сталий виробництво.

Ми вступаємо в нову епоху, де R&D не вимірюється невдалими пробами, а верифікованими передбаченнями. Компанії, які приймуть цей підхід, очолять наступну хвилю промислових інновацій.