Vuonna 2018 Tian Xie oli syvällä tohtoriopintoissaan MIT:ssä, keskittyen materiaalitieteeseen ja -tekniikkaan. Tänä aikana nousi esiin tärkeä kysymys: Voisiko mallin suunnitella, joka ottaisi syötteeksi rajoitteita ja kriteereitä ja tuottaisi tuloksena käyttökelpoisia materiaaleja?Xie uskoi optimistisesti, että se oli mahdollista, vaikkakaan hän ei osannut aavistaa tämän idean nopeaa kehitystä ja merkittäviä seurauksia. Saatuaan päätökseen kaksivuotisen postdoc-jakson MIT:n CSAIL:ssa, Xie liittyi Microsoft Researchin AI for Science -aloitteeseen vuonna 2022. Tämä aloite, jonka aloitti tunnettu tiedemies Chris Bishop, pyrkii hyödyntämään tekoälyä globaalejen haasteiden, kuten kestävyyden ja lääkkeiden kehittämisen, ratkaisemiseksi. Kahden ja puolen vuoden aikana tiimi on kasvanut merkittävästi, työskennellen viidessä aikavyöhykkeessä innovaatioiden rajojen työntämiseksi. Kaksi keskeistä työkalua tässä aloitteessa, MatterGen ja MatterSim, ovat perustavasti muuttaneet materiaalitutkimuksen lähestymistapaa. MatterGen toimii luovana voimana, luoden molekyylirakenteiden konsepteja kehittyneiden algoritmien avulla tunnistaakseen uusia materiaaleja, joilla on haluttuja ominaisuuksia. "MatterGen tuottaa tuhansia ehdokkaita käyttäjän määrittämillä rajoitteilla ehdottaakseen uusia materiaaleja", Xie totesi, merkitsevä muutosta materiaalien suunnittelussa. Sen sijaan MatterSim arvioi näitä konsepteja tiukasti niiden vakauden ja käyttökelpoisuuden määrittämiseksi, suodattaen näin teoreettisia ideoita käytännön todellisuudesta.

Yhdessä ne virtaviivaistavat prosessia, joka aiemmin perustu n n nesteisiin laboratoriokokeisiin, merkittävästi lisääntyneiden tehokkuuden materiaalien löytämisessä. Tian Xie korostaa näiden edistysaskelien suurta teollista potentiaalia, sillä materiaalit ovat aina olleet keskeisiä ihmiskunnan edistykselle – rakennusmateriaaleista lääketieteellisiin laitteisiin. Kuitenkin perinteinen reitti uusien materiaalien kehittämiseen on hidas, usein vaati en vuosien tutkimusta, mikä voi olla kohtuuttoman kallista erityisesti kriittisillä aloilla kuten energiassa ja terveydenhuollossa. Tekoälyllä on valtaa nopeuttaa tätä prosessia, mahdollistaen käyttökelpoisten materiaalien nopeamman tunnistamisen, jotka ovat välttämättömiä innovaatioille, kuten kestäville energian varastointiratkaisuille tai edistyneille lääketieteellisille teknologioille. AI for Science -aloitteen päätutkija Ziheng Lu korostaa, että näiden työkalujen kasvava laskentateho voi tuottaa merkittäviä oivalluksia nopeammin kuin odotettiin. Koneoppimisen sovelluksille asetetut alkuperäiset odotukset kvanttimekaniikan laskentojen vähentämisestä ylittyivät nopeiden edistysten ansiosta, mikä johti läpimurtoihin materiaalien ominaisuuksien karakterisoinnissa ja muilla alueilla. AI for Science -tiimissä yhteistyö on avainasemassa. Viikoittaiset kokoukset ja pienemmät ryhmäinteraktiot helpottavat MatterGenin ja MatterSimin integraatiota, jotka toimivat yhdessä erittäin yhteydessä olevalla tavalla. Vanhentarrapientutkija Daniel Zügner painotti yhteistyön merkitystä, mahdollistaen kattavamman lähestymistavan materiaalien suunnitteluun. Microsoftin Azure Quantum -tiimi tekee yhteistyötä AI for Science -aloitteen kanssa, hyödyntäen huipputehokasta laskentaa ja kvanttipohjaisia teknologioita monimutkaisten haasteiden ratkaisemiseksi kemian ja materiaalitieteen alueilla. Tämä kumppanuus varmistaa, että tutkimus on tiiviisti linjassa todellisten teollisten tarpeiden kanssa, nopeuttaen löydösten soveltamista. Viime aikojen menestystarinat MatterGenille ja MatterSimille, mukaan lukien laajamittaiset työkalujen lataukset ja huomattavat julkaisut, osoittavat niiden potentiaalin mullistaa monimutkainen ongelmanratkaisu. Aloitteen kontribuutiot ulottuvat myös muihin kenttiin, kuten ilmastotieteeseen ja biolääketieteeseen, mikä heijastaa sitoutumista vaikuttavaan tutkimukseen pelkkien mittareiden sijaan. Kaiken kaikkiaan AI for Science -aloite korostaa käytännön ratkaisujen kehittämistä, joilla on mahdollisuus merkittäviin reaalimaailman hyötyihin, korostaen muutoksen tulevaisuutta materiaalitieteessä ja sen ulkopuolella.