Перевод искусственный интеллект. Can machines think
 Скачать 250.78 Kb.
|
|
ИИ В МАТЕРИАЛОВЕДЕНИИ Как краеугольный камень современной промышленности, материалы сыграли решающую роль в разработке революционных форм материи, с целевыми свойствами для широкого применения в энергетике, информации, биомедицине, строительстве, транспорте, национальной безопасности, космических полетах и так далее. Традиционные стратегии опираются на эмпирические экспериментальные подходы проб и ошибок, а также на теоретические методы моделирования, например, функциональная теория плотности, термодимика или молекулярная динамика, для открытия новых материалов.64 Эти методы часто сталкиваются с проблемами длительных исследовательских циклов, высоких затрат и низких показателей успеха и, следовательно, не могут удовлетворить все более растущие требования современного материаловедения. Поэтому ускорение открытия и развертывания передовых материалов будет иметь важное значение в наступающую эпоху. С быстрым развитием обработки данных и мощных алгоритмов методы на основе ИИ, такие как ML и DL, появляются с хорошим потенциалом в поиске и проектировании новых материалов до их фактического производства.65,66 Путем интеграции данных о свойствах материала, таких как составляющий элемент, симметрия решетки, атомный радиус, валентность, энергия связывания, электроотрицательность, магнетизм, поляризация, энергетическая зона, отношение структура-свойство, и функциональные возможности, машину можно научить «думать» о том, как улучшить проектирование материалов и даже прогнозирование свойств новых материалов экономически эффективным способом (рисунок 5). | |
| AI in discovery and design of new materials Recently, AI techniques have made significant advances in rational design and accelerated discovery of various materials, such as piezoelectric mate- rials with large electrostrains,67 organic-inorganic perovskites for photovol- taics,68 molecular emitters for efficient light-emitting diodes,69 inorganic solid materials for thermoelectrics,70 and organic electronic materials for renew- able-energy applications.66,71 The power of data-driven computing and algo- rithmic optimization can promote comprehensive applications of simulation and ML (i.e., high-throughput virtual screening, inverse molecular design, Bayesian optimization, and supervised learning, etc.), in material discovery and property prediction in various fields.72 For instance, using a DL Bayesian framework, the attribute-driven inverse materials design has been demonstrated for efficient and accurate prediction of functional molecular materials, with desired semiconducting properties or redox stability for appli- cations in organic thin-film transistors, organic solar cells, or lithium-ion bat- teries.73 It is meaningful to adopt automation tools for quick experimental testing of potential materials and utilize high-performance computing to calculate their bulk, interface, and defect-related properties.74 The effective convergence of automation, computing, and ML can greatly speed up the dis- covery of materials. In the future, with the aid of AI techniques, it will be possible to accomplish the design of superconductors, metallic glasses, sol- der alloys, high-entropy alloys, high-temperature superalloys, thermoelectric materials, two-dimensional materials, magnetocaloric materials, polymeric bio-inspired materials, sensitive composite materials, and topological (elec- tronic and phonon) materials, and so on. In the past decade, topological ma- terials have ignited the research enthusiasm of condensed matter physicists, materials scientists, and chemists, as they exhibit exotic physical properties with potential applications in electronics, thermoelectrics, optics, catalysis, and energy-related fields. From the most recent predictions, more than a quarter of all inorganic materials in nature are topologically nontrivial. The establishment of topological electronic materials databases75–77 and topo- logical phononic materials databases78 using high-throughput methods will help to accelerate the screening and experimental discovery of new topolog- ical materials for functional applications. It is recognized that large-scale high-quality datasets are required to practice AI. Great efforts have also been expended in building high-quality materials science databases. As one of the top-ranking databases of its kind, the “atomly.net” materials data infrastructure,79 has calculated the properties of more than 180,000 inorganic compounds, including their equilibrium structures, electron energy bands, dielectric properties, simulated diffraction patterns, elasticity tensors, etc. As such, the atomly.net database has set a solid foundation for extending AI into the area of materials science research. The X-ray diffraction (XRD)- matcher model of atomly.net uses ML to match and classify the experi- mental XRD to the simulated patterns. Very recently, by using the dataset from atomly.net, an accurate AI model was built to rapidly predict the forma- tion energy of almost any given compound to yield a fairly good predictive ability. | ИИ в открытии и проектировании новых материалов В последнее время методы ИИ добились значительных успехов в рациональном проектировании и ускорили открытие различных материалов, таких как пьезоэлектрические материалы с большими электропоездами67 органо-неорганических перовскитов для фотоэлектрических соединений. taics,68 молекулярных излучателей для эффективных светодиодов,69 неорганических твердых материалы для термоэлектриков70 и органические электронные материалы для применения в возобновляемых источниках энергии.66,71 Возможности вычислений на основе данных и алгоритмической оптимизации могут способствовать комплексному применению моделирования и машинного обучения (т.е. высокопроизводительного виртуального скрининга, обратного молекулярного проектирования, байесовской оптимизации и контролируемого обучения и т. д.) в обнаружении материалов и прогнозирование свойств в различных областях.72 Например, с помощью DL Байесовская структура, конструкция обратных материалов, основанная на атрибутах, была продемонстрирована для эффективного и точного прогнозирования функциональных молекулярных материалов с желаемыми полупроводниковыми свойствами или окислительно-восстановительной стабильностью для аппликации в органических тонкопленочных транзисторах, органических солнечных элементах или литий-ионной летучей мыши. teries.73 Имеет смысл принять инструменты автоматизации для быстрого экспериментального тестирования потенциальных материалов и использовать высокопроизводительные вычисления для расчета их объемных, интерфейсных и дефектных свойств.74 Эффективная конвергенция автоматизации, вычислений и машинного обучения может значительно ускорить разрозненность материалов. В будущем с помощью методов ИИ можно будет выполнить проектирование сверхпроводников, металлических стекол, сольдерных сплавов, высокоэнтропийных сплавов, высокотемпературных суперсплавов, термоэлектрических материалов, двумерных материалов, магнитокалорических материалов, полимерных биоспирированных материалов, чувствительных композиционных материалов и топологических (электронных и фононных) материалов и так далее. В последнее десятилетие топологические матрицы вызвали исследовательский энтузиазм физиков конденсированных сред, материаловедов и химиков, поскольку они проявляют экзотические физические свойства. с потенциальными применениями в электронике, термоэлектрике, оптике, катализе и областях, связанных с энергетикой. Из самых последних предсказаний более четверти всех неорганических материалов в природе являются топологически нетривиальными. Создание баз данных топологических электронных материалов75–77 и баз данных топологических фононических материалов78 с использованием высокопроизводительных методов позволит помогают ускорить скрининг и экспериментальное открытие новых тополого-методических материалов для функционального применения. Признано, что для практической практики ИИ требуются крупномасштабные высококачественные наборы данных. Большие усилия приложили также были затрачены на создание высококачественных баз данных материаловедения. Являясь одной из ведущих баз данных такого рода, инфраструктура данных материалов «atomly.net»79 рассчитала свойства более 180 000 человек. неорганические соединения, включая их равновесные структуры, полосы энергии электронов, диэлектрические свойства, моделируемые дифракционные паттерны, тензоры упругости и т.д. Таким образом, база данных atomly.net заложила прочную основу для расширения ИИ в области исследований в области материаловедения. Рентгеновская дифракционная (XRD) модель соответствия atomly.net использует ML для сопоставления и классификации экспериментально-ментального XRD к моделируемым паттернам. Совсем недавно, используя набор данных из atomly.net, была построена точная модель ИИ для быстрого прогнозирования энергии формации почти любого данного соединения, чтобы получить довольно хорошую прогностическую способность. |
| AI-powered Materials Genome Initiative The Materials Genome Initiative (MGI) is a great plan for rational realization of new materials and related functions, and it aims to discover, manufacture, and deploy advanced materials efficiently, cost-effectively, and intelligently. The initiative creates policy, resources, and infrastructure for accelerating materials development at a high level. This is a new paradigm for the discovery and design of next-generation materials, and runs from a view point of fundamental building blocks toward general materials developments, and accelerates materials development through efforts in theory, computation, and experiment, in a highly integrated high-throughput manner. MGI raises an ultimately high goal and high level for materials development and materials science for humans in the future. The spirit of MGI is to design novel materials by using data pools and powerful computation once the requirements or aspirations of functional usages appear. The theory, computation, and algorithm are the primary and substantial factors in the establishment and implementation of MGI. Advances in theories, computations, and experiments in materials science and engineering provide the footstone to not only accelerate the speed at which new materials are realized but to also shorten the time needed to push new products into the market. These AI techniques bring a great promise to the developing MGI. The applications of new technologies, such as ML and DL, directly accelerate materials research and the establishment of MGI. The model construction and application to science and engineering, as well as the data infrastructure, are of central importance. When the AI-powered MGI approaches are coupled with the ongoing autonomy of manufacturing methods, the potential impact to society and the economy in the future is profound. We are now beginning to see that the AI-aided MGI, among other things, integrates experiments, computation, and theory, and facilitates access to materials data, equips the next generation of the materials workforce, and enables a paradigm shift in materials development. Furthermore, the AI-powdered MGI could also design operational procedures and control the equipment to execute experiments, and to further realize autonomous experimentation in future material research. | Инициатива по геному материалов на основе ИИ Инициатива Materials Genome Initiative (MGI) - это отличный план для рациональной реализации новых материалов и связанных с ними функций, и он направлен на открытие, производство и развертывание передовых материалов эффективно, экономично и разумно. Инициатива создает политику, ресурсы и инфраструктуру для ускорения разработки материалов на высоком уровне. Это новая парадигма для открытия и проектирования материалов следующего поколения, которая работает с точки зрения фундаментальных строительных блоков к общим разработкам материалов и ускоряет разработку материалов за счет усилий в теории, вычислениях и экспериментах с высокой степенью интегрированной высокой пропускной способности. MGI поднимает в конечном счете высокую цель и высокий уровень для разработки материалов и материаловедения для людей в будущем. Дух MGI заключается в разработке новых материалов с использованием пулов данных и мощных вычислений, как только появляются требования или стремления функционального использования. Теория, вычисления и алгоритм являются основными и существенными факторами в создании и реализации MGI. Достижения в теориях, вычислениях и экспериментах в области материаловедения и инженерии обеспечивают подножие не только для ускорения скорости реализации новых материалов, но и для сокращения времени, необходимого для продвижения новых продуктов на рынок. Эти методы ИИ приносят большие перспективы развивающейся MGI. Применение новых технологий, таких как ML и DL, непосредственно ускоряет исследования материалов и создание MGI. Построение моделей и их применение в науке и технике, а также инфраструктура данных имеют центральное значение. Когда подходы MGI на основе ИИ сочетаются с продолжающейся автономией производственных методов, потенциальное влияние на общество и экономику в будущем является глубоким. Теперь мы начинаем видеть, что MGI с помощью ИИ, среди прочего, объединяет эксперименты, вычисления и теорию и облегчает доступ к данным о материалах, оснащает следующее поколение рабочей силы материалов и позволяет изменить парадигму в разработке материалов. Кроме того, MGI с искусственным интеллектом может также разрабатывать операционные процедуры и управлять оборудованием для выполнения экспериментов и дальнейшего осуществления автономных экспериментов в будущих исследованиях материалов. |
| Advanced functional materials for generation upgrade of AI The realization and application of AI techniques depend on the computational capability and computer hardware, and this bases physical functionality on the performance of computers or supercomputers. For our current technology, the electric currents or electric carriers for driving electric chips and devices consist of electrons with ordinary characteristics, such as heavy mass and low mobility. All chips and devices emit relatively remarkable heat levels, consuming too much energy and lowering the efficiency of information transmission. Benefiting from the rapid development of modern physics, a series of advanced materials with exotic functional effects have been discovered or designed, including superconductors, quantum anomalous Hall insulators, and topological fermions. In particular, the superconducting state or topologically nontrivial electrons will promote the next-generation AI techniques once the (near) room temperature applications of these states are realized and implanted in integrated circuits.81 In this case, the central processing units, signal circuits, and power channels will be driven based on the electronic carriers that show massless, energy-diffusionless, ultrahigh mobility, or chiral-protection characteristics. The ordinary electrons will be removed from the physical circuits of future-generation chips and devices, leaving superconducting and topological chiral electrons running in future AI chips and supercomputers. The efficiency of transmission, for information and logic computing will be improved on a vast scale and at a very low cost | Передовые функциональные материалы для обновления генерации ИИ Реализация и применение методов ИИ зависят от вычислительных возможностей и компьютерного оборудования, и это основывает физическую функциональность на производительности компьютеров или суперкомпьютеров. Для нашей современной технологии электрические токи или электрические носители для привода электрических чипов и устройств состоят из электронов с обычными характеристиками, такими как большая масса и низкая подвижность. Все чипы и устройства выделяют относительно замечательные уровни тепла, потребляя слишком много энергии и снижая эффективность передачи информации. Извлекая выгоду из быстрого развития современной физики, был обнаружен или спроектирован ряд передовых материалов с экзотическими функциональными эффектами, включая сверхпроводники, квантовые аномальные изоляторы Холла и топологические фермионы. В частности, сверхпроводящее состояние или топологически нетривиальные электроны будут продвигать методы ИИ следующего поколения, как только (близкие) приложения этих состояний при комнатной температуре будут реализованы и имплантированы в интегральные схемы.81 В этом случае центральные процессоры, сигнальные схемы и силовые каналы будут управляться на основе электронных носителей, которые показывают безмассовую, недиффузионную, сверхвысокую мобильность, или хирально-защитные характеристики. Обычные электроны будут удалены из физических схем чипов и устройств будущего поколения, оставив сверхпроводящие и топологические хиральные электроны, работающие в будущих чипах ИИ и суперкомпьютерах. Эффективность передачи, для информационных и логических вычислений будет улучшена в огромных масштабах и при очень низких затратах |
| AI for materials and materials for AI The coming decade will continue to witness the development of advanced ML algorithms, newly emerging data-driven AI methodologies, and integrated technologies for facilitating structure design and property prediction, as well as to accelerate the discovery, design, development, and deployment of advanced materials into existing and emerging industrial sectors. At this moment, we are facing challenges in achieving accelerated materials research through the integration of experiment, computation, and theory. The great MGI, proposed for high-level materials research, helps to promote this process, especially when it is assisted by AI techniques. Still, there is a long way to go for the usage of these advanced functional materials in future-generation electric chips and devices to be realized. More materials and functional effects need to be discovered or improved by the developing AI techniques. Meanwhile, it is worth noting that materials are the core components of devices and chips that are used for construction of computers or machines for advanced AI systems. The rapid development of new materials, especially the emergence of flexible, sensitive, and smartmaterials, is of great importance for a broad range of attractive technologies, such as flexible circuits, stretchable tactile sensors, multifunctional actuators, transistor-based artificial synapses, integrated networks of semiconductor/quantum devices, intelligent robotics, human-machine interactions, simulated muscles, biomimetic prostheses, etc. These promising materials, devices, and integrated technologies will greatly promote the advancement of AI systems toward wide applications in human life. Once the physical circuits are upgraded by advanced functional or smart materials, AI techniques will largely promote the developments and applications of all disciplines. |