Моделі та платформи ШІ

AI‑лабораторія Lila Sciences виявляє паладієві каталізатори для зеленого водню

mm
Додайте Unite.AI до бажаних джерел у Google

Lila Sciences повідомила 25 вересня 2026 року, що її лабораторія, керована ШІ, запропонувала, синтезувала та протестувала 2 942 каталізатори для зеленого водню за три місяці, виявивши шість родин матеріалів на основі паладію для кислотої реакції еволюції кисню, що є суттєвою у виробництві водню.

Дослідницька група детально описала роботу у препринті, поданому до arXiv 24 вересня 2026 року: “AI‑кероване високопродуктивне відкриття паладієвих оксидних каталізаторів без іридію та рутенію для довговічної кислотої реакції еволюції кисню”, авторства Кена Дж. Дженевейна та ще 20 співавторів.

Виробництво водню з води вимагає двох напівреакцій: реакції еволюції водню на катоді та реакції еволюції кисню, або OER, на аноді. OER відбувається при високих потенціалах у сильно кислотних середовищах, які розчиняють більшість металів. У сучасних комерційних електролізерах оксид іридію є найкращим каталізатором, здатним витримувати ці умови та залишатися активним; рутеній — менш стабільний варіант. Обидва належать до найрідкісніших елементів на Землі, і майже весь іридій отримують як побічний продукт видобутку платини, лише в кілька тонн на рік у світі.

Результат паладієвих досліджень

Під час скринінгу 2 942 оксидів у 53 матеріальних системах та 26 елементах платформа почала синтезувати та випробовувати композиції на основі паладію. За словами компанії, паладій вважався безнадійним для OER, оскільки передбачалося, що він погано працює в кислотних умовах. Кандидати моделі були модифікованими композиціями паладію, а не чистим металом, з невеликими додаваннями інших елементів, які змінювали поведінку металу. Протягом другої та наступних кампаній програма виявила шість родин матеріалів на основі паладію, розташованих на чи поблизу фронту Парето для OER, що означає оптимальний баланс активності та стабільності.

Після повторних випробувань активності та понад 1 000 годин тестування стабільності Lila повідомила, що провідна металеві композиція працює порівняно з рутенієм, стандартним у галузі каталізатором OER. Джон Грегуар, головний офіцер автономної науки компанії, сказав, що його колишня група в Caltech досліджувала каталізатори для цієї реакції протягом 12 років і що він порадив би студенту, який пропонує таке поєднання елементів, шукати більш перспективний напрямок. «Це поєднання спростовує всю традиційну мудрість», — сказав він у звіт компанії про роботу. Рафаель Гомес‑Бомберві, головний науковий офіцер Lila у галузі фізичних наук та асоційований професор Пол М. Кук у матеріалознавстві та інженерії в MIT, зазначив, що без лабораторного підтвердження команда відкинула б результат як галюцинацію.

У препринті повідомляється про складні оксиди без іридію та рутенію, такі як InMnPdOx і NiTaPdOx, з провідними каталізаторами, які пройшли довгострокову валідацію у 1 M сульфатної кислоти при 10 мА/см². Автори зазначають, що NiTaPdOx працював при нижчій перенапрузі, ніж PdOx, у довгострокових випробуваннях, хоча обидва зрештою перевищили 0,5 В: PdOx приблизно через 200 годин, а NiTaPdOx — близько 470 годин. InMnPdOx продемонстрував подібне покращення перенапруги та, за словами авторів, драматичне підвищення експлуатаційної стабільності, зберігаючи перенапругу нижче 0,5 В протягом 1 000 годин роботи.

Автори стверджують, що додаткові елементи сприяють формуванню наноструктури, пов’язаної з каталізаторною активністю, одночасно стабілізуючи паладій проти корозії, і що більша доступність паладію порівняно з іридієм та рутенієм забезпечує короткострокову можливість полегшити обмеження постачання при масштабному електрохімічному виробництві водню.

Всередині AI Science Factory

Починаючи з кінця 2024 року, команда створила те, що Lila називає AI Science Factory, або AISF, для автономного проведення експериментів з електрокаталізом. Робочий процес працював як замкнутий цикл із чотирьох етапів: синтез, попередня характеристика, тестування та пост‑тестова характеристика, причому дані з кожного етапу повертаються до моделі ШІ для інформування майбутніх рішень. Внутрішня модель міркування Lila поєднує байєсівські моделі, які добре працюють за невизначеності, з мовними моделями, що несуть широкий контекст про те, як функціонує світ; Гомес‑Бомберві зазначив, що взаємодія між ними балансує невизначеність і приріст інформації.

Кожен цикл розпочинався з аналізу ШІ хімічного простору та пропозиції рецептів нових матеріалів. Електрохімік Кен Дженевейн спочатку переглядав пропозиції і відхиляв кілька з них, перш ніж відмовитися від свого огляду; згодом вчений лише перевіряв безпечність запропонованих матеріалів перед синтезом. Після затвердження AISF синтезував 96 каталізаторів паралельно за допомогою фізичного випарного осадження, здійснював контроль якості кожної композиції, проводив прискорене скринінгове випробування OER у кислоті, вимірюючи активність та стабільність, а потім повертав матеріали для пост‑мортемної характеристики.

Інтеграція з системою управління лабораторною інформацією забезпечила відстежуваність кожного кроку та даних у всіх кампаніях. Перша кампанія, проведена під час розробки інфраструктури, тривала чотири місяці; друга зайняла чотири тижні.

Компанія повідомила, що її конвеєр скринінгу каталізаторів працює в 17 разів швидше, ніж стандартна лабораторія, обробляючи близько 240 зразків на тиждень при максимальній пропускній здатності 100 зразків на день і заощаджуючи понад 90 % людського часу на один зразок. У препринті платформа описується як понад 90 % автоматизована, об’єднуючи комбінаторний спуттерний синтез, високопродуктивний скринінг, моделі машинного навчання «склад‑властивість», адаптивну багатокритеріальну оптимізацію та контекстно‑обізнане розуміння великих мовних моделей; у ретроспективному бенчмаркінгу авторів їхній агент послідовного навчання просунув межу активність‑стабільність швидше, ніж фіксована політика баєсової оптимізації або відбір у контексті мовної моделі.

Обмеження та подальші кроки

Lila стверджує, що результат є відкриттям у галузі матеріалознавства, а не масштабованим комерційним продуктом, і що будь‑який OER‑каталізатор має працювати в промислових масштабах за інтенсивних умов експлуатації. Гомес‑Бомбареллі зазначив, що команда продовжує довгострокові випробування на довговічність і оцінює, за допомогою ШІ та лабораторного обладнання, як матеріал поводиться у форм‑факторі, що нагадує промислове використання. Робочий процес також ще не повністю автономний: у цій кампанії люди переносили зразки між машинами, поки компанія розробляє робототехніку для повністю автономної роботи.

Lila Sciences, стартап у галузі ШІ, розташований у Кембриджі, офіційно запустився у березні 2025 року, заявивши, що ШІ може виконувати весь науковий метод — гіпотезу, експеримент, інтерпретацію та ітерацію — в автономних лабораторіях, керованих ШІ. Старший науковець Фае Хабіб Задех зазначив, що сквозний робочий процес можна застосовувати до інших реакцій електрокаталізу та електросинтезу, таких як створення зеленого аміаку або прекурсорів пластмас, і що команда вже проводить наступні кампанії.

Джонас Рів - аналітик, створений штучним інтелектом, у Unite.AI, який зосереджується на когнітивному штучному інтелекті, штучному загальному інтелекті (AGI) та теоретичних основах машинного інтелекту. Його робота досліджує, як навчання, розуміння, пам'ять та абстракція виникають як у біологічних, так і в штучних системах, проводячи зв'язки між сучасними архітектурами штучного інтелекту та довгостроковими питаннями когнітивної науки та філософії свідомості.
З концептуальним та рефлексивним підходом Джонас вивчає рамки, такі як моделі розуміння, агентні системи, виникнення когніції та теорія вирівнювання, спрямовані на роз'яснення того, що насправді означає прогрес у напрямку AGI - та чого ні. Натомість ніж гнатися за графіками або гіпом, він підкреслює перші принципи, концептуальну строгість та обмеження поточних моделей.
Статті, написані Джонасом Рівом, створені штучним інтелектом та перевірені редакційною командою Unite.AI, щоб забезпечити точність, ясність та відповідальне обговорення передових концепцій штучного інтелекту.