El 2018, Tian Xie estava immers en els seus estudis de doctorat al MIT, centrant-se en la ciència i l'enginyeria de materials. Durant aquest temps, va sorgir una pregunta crucial: podrien dissenyar-se models que prenguessin com a entrada restriccions i criteris i produïssin materials viables com a sortida?Xie creia amb optimisme que era possible, tot i que no podia preveure el ràpid progrés i les implicacions significatives d'aquesta idea. Després de completar un postdoc de dos anys al CSAIL del MIT, Xie es va incorporar a la iniciativa AI for Science de Microsoft Research el 2022. Aquesta iniciativa, iniciada pel destacat científic Chris Bishop, té com a objectiu utilitzar la intel·ligència artificial per abordar reptes globals com la sostenibilitat i el descobriment de medicaments. Durant més de dos anys i mig, l'equip ha crescut significativament, treballant en cinc zones horàries per impulsar els límits de la innovació. Dos instruments clau en aquesta iniciativa, MatterGen i MatterSim, han canviat fonamentalment la forma en què es investiga els materials. MatterGen actua com a força creativa, generant concepcions d'estructures moleculars mitjançant algorismes sofisticats per identificar nous materials amb propietats desitjades. "MatterGen genera milers de candidats amb restriccions definides per l'usuari per proposar nous materials", va afirmar Xie, marcant un canvi significatiu en el disseny de materials. En contrast, MatterSim avalua rigorosament aquests conceptes per determinar la seva estabilitat i viabilitat, filtrant així idees teòriques de realitats pràctiques.

Junts, optimitzen un procés que abans depenia en gran mesura de proves laborals extenses, millorant significativament l'eficiència en el descobriment de materials. Tian Xie destaca el vast potencial industrial d'aquests avenços, ja que els materials han estat sempre fonamentals per al progrés humà, des de materials de construcció fins a dispositius mèdics. No obstant això, la ruta tradicional per desenvolupar nous materials és lenta, sovint requerint anys de recerca que poden resultar prohibitiviament costosos, especialment en indústries crítiques com l'energia i la salut. La intel·ligència artificial té el poder d'accelerar aquest procés, permetent una identificació més ràpida de materials viables essencials per a innovacions com l'emmagatzematge d'energia sostenible o les tecnologies mèdiques avançades. El principal investigador de AI for Science, Ziheng Lu, destaca que l'augment del poder computacional dins d'aquests instruments pot aportar coneixements significatius més ràpidament del que s'esperava. Les expectatives inicials per a les aplicacions d'aprenentatge automàtic per reduir càlculs de mecànica quàntica es van superar a causa dels ràpids avenços, la qual cosa va conduir a descobriments en la caracterització de les propietats dels materials i altres àrees. Dins de l'equip d'AI for Science, la col·laboració és clau. Les reunions setmanals i les interaccions en grups més petits faciliten la integració de MatterGen i MatterSim, que treballen conjuntament de manera molt interconnectada. Daniel Zügner, un investigador sènior, va ressaltar la importància de la seva col·laboració, permetent un enfocament més integral en el disseny de materials. L'equip d'Azure Quantum de Microsoft col·labora amb AI for Science, aprofitant la computació d'altes prestacions i la tecnologia quàntica per abordar reptes complexes en química i ciència de materials. Aquesta associació assegura que la recerca s'alineï estretament amb les necessitats de la indústria del món real, accelerant l'aplicació dels descobriments. Històries d'èxit recents per a MatterGen i MatterSim, incloent descàrregues generals d'eines i publicacions notables, espatllen el seu potencial per revolucionar la resolució de problemes complexos. Les contribucions de la iniciativa s'estenen a altres camps com la ciència del clima i la biomedicina, reflectint un compromís amb la recerca amb impacte més que amb mètriques sorolloses. En general, la iniciativa AI for Science emfatitza el desenvolupament de solucions pràctiques amb un potencial de beneficis significatius en el món real, destacant un futur transformador per a la ciència de materials i més enllà.