Înainte de a începe dialogul propriu-zis, l-am rugatvă ruăm, domnule profesor, să faceți evaluare a domeniului dvs. de competență versus inteligența artificială!
Știința materialelor, în esență, este un domeniu interdisciplinar axat pe descoperirea și proiectarea de noi materiale. Combină elemente de fizică, chimie și inginerie pentru a înțelege și manipula proprietățile materiei, cu scopul de a dezvolta materiale care îndeplinesc criterii specifice de rezistență, durabilitate, greutate, conductivitate și reactivitate. Știința materialelor a fost un element central în sectorul prelucrător, dar descoperirea și dezvoltarea materialelor au fost, din punct de vedere istoric, un proces lung, care necesită multă muncă, bazat pe încercări și erori. Oamenii de știință și inginerii ar trebui să testeze manual diverși compuși și procese pentru a găsi materiale potrivite pentru aplicații specifice.
Prof.univ.dr.habil. ing. Nicanor Cimpoesu
Ce oferă, mai concret, AI științei materialelor?
Știința materialelor a evoluat din punct de vedere istoric în tandem cu progresele în tehnologiile de caracterizare, sinteză și calcul. Un alt tip de tehnologie care poate fi adăugată la acest mix este învățarea automată (ML) și inteligența artificială (IA). În prezent, se observă modele de IA din ce în ce mai sofisticate, care pot rezolva probleme din ce în ce mai dificile într-o varietate de domenii. Din perspectiva științei materialelor, este incontestabil faptul că învățarea automată și inteligența artificială oferă un set de instrumente puternic, cu potențialul de a accelera substanțial eforturile de cercetare în domenii precum dezvoltarea și descoperirea de noi materiale funcționale. Mai puțin clar este cum să valorificăm cel mai bine această dezvoltare, ce noi seturi de competențe vor fi necesare și cum ar putea afecta practicile de cercetare consacrate.
Aplicarea IA în știința materialelor implică utilizarea modelelor de învățare automată (ML) pentru a analiza date experimentale de mare randament, a simula și prezice proprietățile materialelor și a accelera descoperirea de noi materiale cu proprietăți dorite. IA ajută la analiza proprietăților materialelor prin intermediul mai multor modele de învățare automată, cum ar fi rețelele neuronale grafice, rețelele neuronale profunde și arborii decizionali. Aceste modele pot analiza și identifica rapid degradarea materialelor și pot prezice proprietățile materialelor. Metodele tradiționale sunt o serie de procese de găsire și identificare a materialelor care pot fi consumatoare de timp, costisitoare și predispuse la erori.
Puteți să ne oferiți exemple?
Implicarea inteligenței artificiale (IA) în domeniul materialelor variază de la tehnici de bază de ajustare a datelor până la funcționalități mai avansate, cum ar fi experimentarea semi-autonomă, proiectarea experimentală, generarea de cunoștințe, formularea de ipoteze și orchestrarea modulelor specializate de IA ca etape către inteligența artificială generală.
În prezent, asistăm la progrese rapide în sistemele de învățare automată și inteligență artificială din ce în ce mai sofisticate. Chiar dacă inteligența artificială generală ar putea să nu fie iminentă, aceste tehnologii oferă instrumente neprețuite care pot accelera semnificativ eforturile în știința materialelor, de exemplu, în dezvoltarea și descoperirea de noi materiale funcționale menite să abordeze provocările globale urgente. Există mai multe abordări ML/AI în funcție de nivelul lor de sofisticare, de la simpla analiză de regresie la sisteme robotice ghidate de AI, modele generative pentru generarea de ipoteze și orchestrarea de module specializate de AI ca o rampă de lansare către inteligența artificială generală. Pe măsură ce aceste modele cresc în sofisticare, crește și impactul lor potențial transformator asupra dezvoltării materialelor. Cu toate acestea, acest lucru necesită și o schimbare a setului de competențe necesare cercetătorilor. Anticipăm că printre competențele care vor câștiga valoare se vor număra știința datelor, programarea, o înțelegere profundă a aspectelor teoretice ale domeniului ales și o viziune clară asupra a ceea ce ne propunem să descoperim – și de ce este important să facem acest lucru. Privind în perspectivă, este puțin probabil ca cercetătorul tipic de materiale să fie înlocuit de agenți de inteligență artificială în următoarele câteva decenii. Cu toate acestea, aceștia s-ar putea trezi depășiți de cercetătorii care au valorificat cu succes puterea inteligenței artificiale pentru a îmbunătăți atât calitatea, cât și eficiența muncii lor. Prin urmare, sfatul general pentru cei care doresc să rămână competitivi este să investească în înțelegerea și stăpânirea metodelor și modelelor ML/AI emergente și să experimenteze modul în care se pot valorifica capacitățile acestora pentru a îmbunătăți atât cantitatea, cât și calitatea cercetării.
Materialele stau la baza majorității tehnologiilor majore, inclusiv generarea și stocarea energiei durabile. „Avem nevoie de materiale noi și avem nevoie de ele mai rapid”, a spus Persson. „Aici intervine IA.”. Dar IA este incredibil de însetată de date – cu cât îi oferi mai multe date, cu atât poate oferi rezultate mai bune. Aceasta este o problemă pentru știința materialelor, deoarece nu este un domeniu bogat în date. Dintre toate materialele posibile aproape nelimitate, doar o fracțiune foarte mică a fost realizată și, dintre ele, puține au fost bine caracterizate. „În știința materialelor, avem o lipsă de date”, a spus Persson. Deasemenea efectuarea măsurătorilor poate fi dureros de lentă (Persson a petrecut odată un an măsurând o curbă fononică pentru tungsten).
„Există mult interes pentru utilizarea inteligenței artificiale pentru descoperirea de noi materiale și, de asemenea, pentru utilizarea roboticii pentru accelerarea experimentelor”, a spus el. „Încercăm să combinăm aceste două lucruri și să integrăm inteligența artificială direct în roboți, astfel încât aceștia să poată descoperi materiale noi, analizând datele și luând decizii.
Din nou, motivația este de a accelera progresul în știința materialelor. Ideea este de a accelera descoperirea de noi materiale, în cele din urmă de a o face mult mai rapidă și mai eficientă”, a spus Cooper.
În a patra paradigmă, inteligența artificială și big data vor impulsiona progresele științifice, dar sunt tehnologii cu consum mare de energie. Centrele de date reprezintă în prezent aproximativ 2% din consumul global de energie electrică, dar se preconizează că acest lucru va crește rapid și semnificativ.
Creierul uman este cu ordine de mărime mai eficient decât computerele convenționale. Prin imitarea modului în care creierul procesează datele, ar trebui să fie posibilă o eficiență mult mai mare a calculului. Acest domeniu este cunoscut sub numele de calcul neuromorfic.
„Îmbunătățirile în eficiența energetică se stabilizează pentru cipurile de siliciu, dar acestea sunt încă cu 10.000 de ori mai puțin eficiente decât creierul uman”, a remarcat Huaqiang Wu, directorul adjunct al Institutului de Microelectronică de la Universitatea Tsinghua din Beijing, China, într-o sesiune despre calculul neuromorfic. „Trebuie să ne întrebăm cum putem imita creierul pentru a construi cipuri de inteligență artificială.”
Integrarea învățării automate, a MLO-urilor și a inteligenței artificiale/LLM-urilor generative în știința materialelor reprezintă o schimbare definitorie în inovația industrială. Această fuziune strategică catapultează companiile în noi domenii de excelență operațională, sustenabilitate și receptivitate la piață. Adoptarea acestor tehnologii este crucială pentru a rămâne competitive într-un peisaj de afaceri în rapidă evoluție și conștient de mediu. Viitorul modelat de această integrare promite nu numai o eficiență și o inovație sporite, ci și un viitor sustenabil. Aceasta este mai mult decât o tendință tehnologică; este o călătorie transformatoare către un viitor industrial mai inteligent și mai ecologic.
Marius GHEORGHIU: CONTACT – Email: redactie@ziaruldeiasi.ro, Telefon: 0745079523