Umělá inteligence pomáhá odhalit skryté atomární struktury krystalů
V průlomovém výzkumu se vědcům z Columbia Engineering podařilo vyvinout model umělé inteligence, který dokáže vyřešit stoletý problém v oblasti materiálové vědy - určení atomární struktury nanokrystalů pomocí rentgenové difrakce. Tento objev, publikovaný v prestižním časopise Nature Materials, představuje významný krok vpřed pro vývoj nových materiálů, zejména pro technologie jako jsou pokročilé baterie, solární články a katalyzátory.
Výzkumný tým vedený profesorem Simonem J. L. Billinge vytvořil model strojového učení nazvaný PXRDnet, který dokáže interpretovat složité vzory práškové rentgenové difrakce (PXRD) a převést je na přesné atomární uspořádání. Tento proces byl tradičně považován za téměř nemožný úkol kvůli tomu, co vědci nazývají "fázovým problémem" - ztrátě kritických informací během procesu měření. Podle profesora Billinge je to, jako byste se snažili rekonstruovat trojrozměrný objekt pouze z jeho dvojrozměrného stínu, což představuje matematicky nedostatečně určený problém. PXRDnet využívá učení na základě tisíců známých krystalových struktur, aby dokázal rozluštit nové, dříve neznámé struktury. Tato schopnost je obzvláště důležitá pro nanokrystaly, které jsou příliš malé pro tradiční metody krystalografie. "Naučili jsme model rozpoznávat vzory z experimentálních dat a propojit je s odpovídajícími atomárními strukturami," vysvětluje Billinge. "To je něco, co by bylo pro lidské experty extrémně obtížné, ne-li nemožné, zejména u složitých struktur." Význam tohoto objevu sahá daleko za hranice akademického výzkumu. Nanokrystaly hrají klíčovou roli v mnoha moderních technologiích, od katalýzy po elektroniku. Zvláště důležité jsou pro vývoj baterií nové generace, kde přesné pochopení jejich atomární struktury může vést k významnému zlepšení výkonu a životnosti. Společnost Columbia Technology Ventures již podala patentovou přihlášku na tuto technologii, což naznačuje její významný komerční potenciál.
Tato práce je součástí širšího trendu aplikování umělé inteligence na složité vědecké problémy. Na rozdíl od tradičních analytických metod, které vyžadují přesné matematické modely, AI může najít vzory a souvislosti v datech, které by jinak zůstaly skryté. "Používáme umělou inteligenci k řešení problémů, které byly tradičně považovány za neřešitelné," říká spoluautor studie Dr. Fang Ren. "Jde o propojení experimentálních dat s teoretickými modely způsobem, který nebyl dříve možný." Výzkumníci demonstrovali účinnost své metody na několika nanokrystalech, včetně zlatých nanočástic a komplexních struktur používaných v bateriích. Ve všech případech byl PXRDnet schopen přesně určit atomární uspořádání, což potvrdilo jeho robustnost a všestrannost. Navíc je tento nástroj navržen tak, aby byl přístupný vědecké komunitě - tým plánuje zpřístupnit model online, což umožní výzkumníkům po celém světě analyzovat své vlastní materiály.
Objev přichází v době rostoucího zájmu o pokročilé materiály pro udržitelné technologie. Lepší baterie jsou klíčové pro přechod k obnovitelným zdrojům energie a elektromobilitě, zatímco efektivnější katalyzátory mohou snížit spotřebu energie v průmyslových procesech. Schopnost přesně charakterizovat nanomateriály je pro tyto oblasti zásadní, což činí práci týmu Columbia Engineering obzvláště aktuální. Profesor Billinge zdůrazňuje, že ačkoli je AI mocným nástrojem, nenahrazuje lidskou intuici a expertízu. "Náš model je nejúčinnější, když pracuje v synergii s lidskými vědci," vysvětluje. "Poskytuje rychlé a přesné analýzy, ale interpretace výsledků a jejich aplikace vyžaduje hluboké porozumění materiálové vědě." Tato symbióza mezi AI a lidskou inteligencí představuje budoucnost vědeckého výzkumu - stroje zpracovávají data a identifikují vzory, zatímco lidé poskytují kontext a směr. Vzhledem k tomu, že nanotechnologie a pokročilé materiály nabývají stále většího významu v řešení globálních výzev, nástroje jako PXRDnet budou hrát klíčovou roli v urychlení tempa objevů. Schopnost rychle a přesně charakterizovat nové materiály může zkrátit cestu od laboratorního výzkumu k praktickým aplikacím, což potenciálně urychlí vývoj čistších a účinnějších technologií.
