Репортаж от Wedoany，Alibaba DAMO Academy совместно с Институтом искусственного интеллекта Гаолин при Китайском народном университете, Университетом Китайской академии наук и другими организациями представила первого ИИ-агента, специализирующегося на поиске сверхпроводящих материалов, — «ElementsClaw» (Элементный клешень). Этот агент всего за 28 GPU-часов предсказал 68 тысяч потенциальных сверхпроводников из 2,4 миллиона известных стабильных кристаллов, причём 4 из них были экспериментально подтверждены как ранее неизвестные человечеству новые сверхпроводники.
Открытие сверхпроводящих материалов с 1911 года остаётся ключевым вызовом в физике. Традиционные методы основаны на многочисленных пробах и ошибках, что называют «кухонной наукой». Международная база данных сверхпроводников SuperCon в настоящее время содержит лишь около 2000 сверхпроводящих материалов, из которых лишь несколько десятков имеют критическую температуру в десятки кельвинов. Исследователь Цзинь Шифэн из Университета Китайской академии наук отметил, что физический механизм высокотемпературных сверхпроводников с температурой перехода выше 40 K при нормальном давлении до сих пор полностью не понят, а такие важные сверхпроводники, как медь-, железо- и никельсодержащие, были открыты почти случайно.
Хотя ИИ уже добился прорывов в материаловедении — например, GNoME от DeepMind предсказал 2,2 миллиона стабильных материалов, а MatterGen от Microsoft проектирует новые структуры по заданным свойствам, — все они не обладают способностью оценивать комплексную информацию, такую как литературные данные, синтезируемость, токсичность и стоимость. Жун Юй, руководитель направления научного ИИ в DAMO Academy, отметил, что точечные модели прогнозирования не могут заменить полный цикл реальных научных исследований.
ElementsClaw использует архитектуру «интеграции общего и специализированного», включающую геометрическую глубокую нейронную сеть с графами «Elements» с 1 миллиардом параметров. На этапе предварительного обучения использовалось 125 миллионов молекулярных и кристаллических структур. Модель достигла или приблизилась к уровню SOTA в 22 материаловедческих бенчмарках и впервые подтвердила закон масштабирования (Scaling Law) на архитектуре, не основанной на больших языковых моделях. Агент обладает несколькими функциональными модулями: Elements-T прогнозирует критическую температуру сверхпроводимости со средней абсолютной ошибкой всего 0,99 K; Elements-C определяет, является ли материал сверхпроводящим, с AUC 0,996; Elements-E прогнозирует энергию и стабильность; Elements-G генерирует новые кристаллические структуры. Система агента отвечает за поиск литературы, сравнение баз данных, анализ синтезируемости и разработку экспериментальных планов, а также обладает способностью автоматически донастраивать модель на основе новых данных.
Исследовательская группа синтезировала 4 новых сверхпроводника четырьмя различными путями. «Пропущенный» Hf₂₁Re₂₅ (критическая температура 2,5 K) был найден в существующей, но не проверенной экспериментально базе данных; «Реабилитированный» Zr₄VRe₇ (критическая температура 3,5 K) исправил структурную ошибку в базе данных; «Созданный из ничего» HfZrRe₄ (критическая температура 5,9 K) — это новая структура, сгенерированная ИИ с нуля; «По аналогии» Zr₃ScRe₈ (критическая температура 6,5 K) был открыт путём обобщения структурных мотивов и замены элементов. Критические температуры этих материалов невысоки, максимальная составляет 6,5 K, однако точность рекомендаций ИИ повысилась с примерно 3% в природе до 40%.
DAMO Academy открыла доступ к базе данных прогнозов для 2,4 миллиона стабильных кристаллов, и исследователи по всему миру могут использовать её бесплатно. Хуан Вэньбин, доцент Института искусственного интеллекта Гаолин при Китайском народном университете, отметил, что цель AI for Science — достижение симбиоза человека и машины: ИИ отвечает за отбор данных и повторяющиеся задачи, а учёные — за постановку вопросов и построение системы знаний.
