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. Учні та інженери повторюють експерименти, тестуючи різні формули матеріалів, покриття або композити, часто керуючись інтуїцією, людським досвідом та інкрементними коригуваннями. Цей процес, хоча й фундаментальний 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 передбачувальні та верифікаційні робочі процеси: моделі AI пропонують перспективні кандидати, керують експериментами та допомагають їх верифікувати, що драматично скорочує кількість невдалих проб. Ця зміна не тільки теоретична, але вже зараз відкриває великі можливості в сфері енергетичного зберігання, композитів та поверхневих обробок.

Чому традиційна R&D неефективна

Традиційна R&D зазвичай залежить 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 в галузях, таких як покриття або просунуті композити.

Цей підхід має три великі недоліки:

1. Високі витрати: Фізичні експерименти споживають хімікати, енергію, час лабораторії та робочу силу.
2. Довгі терміни: Ітеративні цикли означають, що може знадобитися місяці або роки, щоб дійти до оптимальних формул.
3. Марнотратні ресурси: Багато експериментів закінчуються невдачею або лише дають інкрементні покращення.

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

Штучний інтелект: передбачення перед пробами

Штучний інтелект змінює це фундаментально. Замість того, щоб проводити всі тести в лабораторії, моделі AI можуть передбачити, які матеріальні формули, ймовірно, спрацюють, відфільтрувати неперспективні та керувати експериментами більш інтелектуально.

Робочий процес передбачення та верифікації використовує AI для оптимізації R&D, керуючи експериментами, а не спираючись на здогади. Спочатку моделі тренуються на існуючих даних, таких як попередні результати лабораторних досліджень та властивості матеріалів, щоб вивчити, як різні параметри впливають на продуктивність. Потім вони передбачають, які формули або умови процесу, найімовірніше, відповідають конкретним цілям, від довговічності 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 значно скорочує кількість необхідних експериментів, прискорюючи відкриття.

Наприклад, у сфері досліджень 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) ймовірно забезпечать цільові показники продуктивності, такі як вища енергетична щільність або довший цикл життя, скорочуючи кількість дорогих фізичних тестів.

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

Це спокусительно уявити, як powerful LLM у лабораторних дослідженнях та розробці “вирішить” нові матеріали. Однак насправді загальні мовні моделі не підходять для фізичної науки.

• Моделі LLM розроблені для роботи з текстом, а не структурованими науковими даними.
• Вони не розуміють молекулярні властивості, термодинаміку чи кінетику реакцій механічним способом.
• Без спеціальної підготовки вони можуть генерувати правдоподібні, але науково неправильні комбінації.

Прискорення інновацій на ринку

Оскільки AI керує експериментами, шлях від концепції до життєздатного матеріалу значно скорочується. Замість проведення сотень експериментів компанії можуть зосередитися на декількох високоперспективних кандидатах, протестувати їх та масштабувати.

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

Виклики та розгляди

Хоча AI-дозволений підхід передбачення та верифікації є потужним, він не є срібною кулею. Є важливі виклики, які 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 ізольованим системам, зберігається в несумісних форматах або не цифровізація взагалі. Навіть коли дані доступні, вони можуть бути важкими та тривалими для очищення, 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 стверджують, що передбачають властивості неорганічних матеріалів.
3. Інтерпретація: Щоб AI був довірений у R&D, моделі повинні бути пояснювані. В іншому разі хіміки можуть не довіряти чи діяти згідно з рекомендаціями. Дослідження пояснюваного AI у виробництві показало, як виходи моделей можуть бути візуалізовані для керування 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 та інвестувати у колаборативні навички.

Більша картина: роль AI у майбутньому виробництва

Перехід від проб і помилок до передбачення та верифікації – це не просто 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 керування своїми експериментами. Майбутнє виробництва R&D буде визначено інтелектуальними експериментами, де машини та люди співпрацюють у тісному циклі передбачення, верифікації та уточнення.

Важливо, що AI не прийшов замінити вчених чи інженерів. Керуючи повторючими процесами обробки даних та звужуючи поле перспективних кандидатів, AI дозволяє вченим проводити більше часу на науці, а інженерам – зосереджуватися на інженерії. Замість автоматизації людей з процесу AI посилює людський досвід та усуває瓶 cổ, які запобігають командам працювати на повну творчу та технічну потужність.

Дослідження та розробка у сфері виробництва тривалий час застрягли у циклі повільних, ресурсоємних проб і помилок. З AI це змінюється. Змінивши парадигму на передбачення та верифікацію, компанії можуть радикально скоротити марнотратність, витрати та час виходу на ринок та прискорити інновації у критичних галузях.

Найпотужніші застосування виникають, коли експерти галузі та вчені про дані 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 стійке виробництво.

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