Открытая инфраструктура на базе ИИ для ускорения открытия материалов и передового производства

Почему более умные материалы важны в повседневной жизни

От более долговечных аккумуляторов для телефонов до компостируемой упаковки для пищевых продуктов и чистой энергии — многие прорывы будущего зависят от изобретения лучших материалов. В этой статье объясняется, как искусственный интеллект (ИИ), программное обеспечение с открытым исходным кодом и автоматизированные лаборатории меняют способы поиска и производства таких материалов. Вместо того чтобы полагаться на медленные эксперименты методом проб и ошибок, исследователи создают общую инфраструктуру на базе ИИ, которая может исследовать огромные пространства проектных решений, сокращать отходы и держать под контролем экологические последствия.

От проб и ошибок к обучающимся машинам

На протяжении большей части истории новые материалы появлялись благодаря кропотливым экспериментам: смешай ингредиенты, нагрей или охлади их и смотри, что получится. В XX веке физика и химия дали учёным уравнения для предсказания поведения, а позже мощные компьютеры позволили моделировать материалы атом за атомом. За последние два десятилетия массы экспериментальных и моделированных данных позволили моделям машинного обучения находить закономерности и предсказывать свойства быстрее, чем это мог бы сделать человек. Сегодня новая волна «генеративного» ИИ не просто прогнозирует поведение известных материалов; она предлагает полностью новые рецептуры, которые могут оказаться прочнее, легче, дешевле или экологичнее всего, что было создано ранее.

Почему открытые инструменты и общие данные меняют правила игры

Рецензия утверждает, что платформы с открытым исходным кодом так же важны, как и сам ИИ. Публичные базы данных, такие как Materials Project и NOMAD, хранят миллионы вычисленных и измеренных свойств металлов, полимеров, батарей и прочего. Любой может загрузить эти данные для обучения моделей или проверки результатов, что ускоряет прогресс и повышает доверие. Открытые программные библиотеки помогают исследователям очищать и объединять неупорядоченные данные, строить симуляции и запускать модели машинного обучения на общих кодовых базах. Эта общая инфраструктура снижает порог вхождения для небольших лабораторий и компаний, уменьшает дублирование усилий и упрощает воспроизводимость результатов — ключевые компоненты надёжной науки.

Самоходные лаборатории, умные фабрики и надёжные данные

Центральная тема статьи — рост «самоходных» лабораторий и умных фабрик. В таких системах роботы круглосуточно смешивают и тестируют образцы, в то время как ИИ выбирает следующий эксперимент на основе предыдущих результатов. Цифровые двойники — виртуальные копии оборудования и процессов — позволяют исследователям исследовать сценарии «что если?» прежде чем менять реальное оборудование. Чтобы предсказания были физически осмысленными, новые методы комбинируют модели, основанные на данных, с базовыми законами природы. В промышленном масштабе облачные и периферийные вычисления работают совместно: большие наборы данных обрабатываются в удалённых центрах обработки данных, тогда как быстрые решения принимаются ближе к самим станкам. Блокчейн и похожие инструменты могут отслеживать происхождение данных, кто вносил изменения и как материалы перемещаются по цепочкам поставок, что помогает защищать интеллектуальную собственность и подтверждать заявления об устойчивости.

Баланс между скоростью, планетой и людьми

Авторы также подчёркивают, что быстрее не значит лучше, если это наносит ущерб планете. Обучение гигантских моделей ИИ и проведение массовых симуляций могут потреблять значительное количество электроэнергии и приводить к большим выбросам парниковых газов. В статье рассматриваются инструменты для оценки энергопотребления и углеродного следа ИИ‑нагрузок и призывается к проведению оценки жизненного цикла, которая включает как вычислительное оборудование, так и центры обработки данных. Отмечаются новые практики, такие как использование более эффективных чипов, выбор более чистых источников энергии, более длительное использование оборудования и проектирование моделей «по размеру», а не просто больших. Этические руководства и объяснимый ИИ представлены как необходимые гарантии, чтобы автоматизированные системы оставались прозрачными, справедливыми и под контролем человека.

Взгляд в будущее: общая дорожная карта для лучших материалов

В заключение статья намечает дорожную карту по созданию сквозной инфраструктуры на базе ИИ, которая служила бы как инновациям, так и устойчивости. Призывается к данным, которые легко найти и повторно использовать, к моделям, объясняющим свои выводы, и к схемам федеративного обучения, которые позволяют учреждениям сотрудничать, не раскрывая конфиденциальных данных. Также указываются возможные будущие направления — от квантовых компьютеров, способных точнее моделировать сложные материалы, до вдохновлённого квантовыми идеями машинного обучения для решения сложных задач проектирования. Для непрофессионального читателя послание прозрачно: сочетая открытые данные, умные алгоритмы и ответственное проектирование, мы можем значительно ускорить открытие более безопасных и устойчивых материалов, которые незаметно улучшат повседневные продукты и помогут решать глобальные проблемы, такие как изменение климата и дефицит ресурсов.

Цитирование: Salas, M., Singh, A., Pignataro, C. et al. AI-powered open-source infrastructure for accelerating materials discovery and advanced manufacturing. Commun Mater 7, 65 (2026). https://doi.org/10.1038/s43246-026-01105-0

Ключевые слова: открытие материалов, искусственный интеллект, платформы с открытым исходным кодом, самоходные лаборатории, устойчивое производство