AI letade mönster i årtionden av litteratur – och lyckades förutspå nya supermaterial. Tekniken kan korta utvecklingstiden med flera år.
Thomas Marwitz och hans forskarteam har publicerat en ny studie där de använder stora språkmodeller för att analysera årtionden av materialforskning. Genom att koppla AI:n till så kallade begreppsgrafer kunde systemet med hög träffsäkerhet förutspå vilka forskningsområden som snart skulle explodera i popularitet. Studien finns tillgänglig som ett preprint på arXiv.
Modellen lyckades bland annat förutse det snabbt växande intresset för ultrastabila perovskitstrukturer och avancerade polymerelektrolyter. Det skedde flera månader innan ämnena faktiskt slog igenom brett bland forskare.
Utvecklingen på området går extremt snabbt just nu. Forskare vid Boston University visade nyligen hur AI kan minska tiden det tar att ta fram nya amorfa kolstrukturer från upp till 30 år ner till en bråkdel av tiden. Samtidigt bygger institutioner som Berkeley Lab enorma öppna databaser som matar dessa AI-modeller med miljontals materialegenskaper.
För vanliga konsumenter betyder detta att glappet mellan labbet och butikshyllan krymper drastiskt. Om företag snabbare kan identifiera exakt vilka materialblandningar som ger billigare solpaneler eller batterier som inte brinner, ökar takten på hela den gröna omställningen. Europa, som just nu storsatsar på inhemsk batteritillverkning, har mycket att vinna på att automatisera själva upptäckarfasen.
Nästa steg blir att koppla dessa AI-förutsägelser direkt till fysiska, självkörande laboratorier. Tekniken testas redan i liten skala och väntas bli standard inom materialvetenskapen de kommande fem åren.
Läs också: