Veštačka inteligencija ulazi u laboratoriju radi sinteze materijala

Granice čistog razmišljanja

Većina savremenih sistema veštačke inteligencije trenira se na konačnim artefaktima nauke, poput objavljenih radova i udžbenika koji predstavljaju tek naknadnu interpretaciju stvarnih istraživanja. Takav pristup zanemaruje činjenicu da se naučni proces sastoji od niza grešaka, neočekivanih skretanja i neuspešnih pokušaja u stvarnom okruženju. Kada se model oslanja isključilo na postojeći korpus literature, on u suštini prepričava istoriju umesto da stvara nova saznanja. Zbog toga industrija sve više uviđa da je korak dalje u razvoju inteligencije nemoguć bez direktnog kontakta sa fizičkim svetom.

Teorija o takozvanom čistom razmišljanju sugeriše da bi proširivanjem kapaciteta i produžavanjem vremena obrade jezički modeli mogli samostalno da reše složene probleme. Međutim, u oblastima kao što je fizika čvrstog stanja, podaci za rešavanje gorućih problema jednostavno ne postoje u knjigama jer ti odgovori još uvek nisu otkriveni. Nijedan model ne može pronaći nov materijal prostim kombinovanjem reči iz hiljada već napisanih radova. Naučni napredak iziskuje postavljanje hipoteza koje moraju proći test u realnosti.

Kompanija Periodic Labs nastaje upravo na uverenju da je za stvaranje takozvane sintetičke superinteligencije neophodno zatvoriti petlju između teorije i prakse. Sistem mora sam da generiše pretpostavku, pošalje zadatak u laboratoriju, sačeka rezultate eksperimenta i na osnovu novih podataka ažurira svoje razumevanje. Tek kroz ovakvu neprekidnu razmenu informacija sa fizičkim svetom mogu se roditi istinske inovacije. Nauka je u svojoj suštini otkrivanje nepoznatog, a ne rešavanje unapred poznatih zadataka sa rešenjima na kraju poglavlja.

Izazovi komercijalizacije materijala

Jedna od najvećih prepreka u savremenoj industriji jeste ogroman jaz između laboratorijskog otkrića nekog novog materijala i njegove primene na industrijskom nivou. Istorija pokazuje da može proći između deset i dvadeset godina pre nego što materijal sintetiisan u eksperimentalnim uslovima dospe do masovne proizvodnje. Ovaj dugotrajan ciklus predstavlja ozbiljno usko grlo za privredni rast i primenu tehnologija koje bi mogle da reše globalne energetske i ekološke probleme. Ukoliko se ovakav tempo zadrži, mnoga važna otkrića ostaće decenijama zarobljena u fazi prototipa.

Uključivanje veštačke inteligencije u proces sinteze materijala ima za cilj da drastično skrati ovo vreme čekanja i optimizuje proizvodne procese. Kada se laboratorijski eksperimenti odvijaju automatizovano i hiljadama puta dnevno, količina prikupljenih podataka prevazilazi ljudske mogućnosti obrade. Modeli mogu da uoče sitne nepravilnosti, greške u etiketiranju uzoraka ili neočekivane hemijske reakcije mnogo brže nego što bi to učinio ljudski tim istraživača. To direktno smanjuje troškove i ubrzava prelazak sa teorijske osnove na komercijalnu primenu.

Pored brzine, ključni element je i pouzdanost samog procesa proizvodnje novih supstanci. Mnogi obećavajući materijali nikada ne napuste laboratoriju zato što se njihova sinteza pokazala suviše nestabilnom ili preskupom za industrijske razmere. Sistem koji istovremeno uči o fizici procesa i upravlja fizičkom opremom može da pronađe stabilnije puteve dobijanja istih jedinjenja. Time se otvaraju vrata za masovnu primenu tehnologija koje su dosad važile za isuviše kompleksne ili neisplative.

Strateški značaj superprovodnika

Kao svoju prvu veliku metu, osnivači Periodic Labs izabrali su razvoj visokotemperaturnih superprovodnika. Izbor ove specifične oblasti nije slučajan jer se superprovodljivost javlja kao zajednički imenilac gotovo svih vizija napredne tehnologije budućnosti. Od kvantnog računarstva i nuklearne fuzije, do prenosa električne energije bez ikakvih gubitaka, superprovodnici predstavljaju sveti gral moderne fizike. Osvajanje ove tehnologije imalo bi nemerljiv uticaj na celokupnu svetsku privredu i energetsku infrastrukturu.

Istorija proučavanja kondenzovane materije pokazuje da određene naučne teme prolaze kroz cikluse popularnosti koji otprilike traju koliko i izrada jedne doktorske disertacije. Ipak, interesovanje za superprovodljivost nikada nije splasnulo još od njenih pionirskih dana s početka dvadesetog veka. Fizika niskih temperatura i istraživanje ponašanja materijala u ekstremnim uslovima uvek su privlačili najumnije istraživače. Rešavanje ovog problema zahteva razvoj izuzetno moćne simulacione i AI infrastrukture koja se kasnije može primeniti na bilo koju drugu granu nauke.

Ulažući napore u ovako složen i ambiciozan cilj, kompanija gradi temelje koji daleko prevazilaze polaznu tačku. Tehnologija stvorena za potrebe sinteze superprovodnika biće primenljiva i na farmakologiju, hemijsku industriju i razvoj naprednih legura. Visoki standardi koji se postavljaju u ovom projektu služe kao pokretač opšteg napretka u oblasti automatizovanog istraživanja. Na taj način se ostvaruje dugoročna vrednost za investitore i celokupnu naučnu zajednicu.

Nasleđe pionira u industrijskoj nauci

Inspiracija za ovakav pristup radu može se pronaći u istorijskim podvizima pionira poput Hejke Kamerlinga Onnesa. Tokom devetnaestog veka naučnici su vodili veliku trku u utečnjavanju različitih gasova, spuštajući temperature sve bliže apsolutnoj nuli. Najtvrđi orah bio je helijum zbog svojih jedinstvenih hemijskih svojstava i ekstremno niske tačke tečenja. Onnes je rešio ovaj problem tako što je naučni rad postavio na industrijske osnove, angažujući profesionalne inženjere i tehničare u svojoj laboratoriji.

Njegov uspeh u utečnjavanju helijuma doneo mu je najveća priznanja i otvorio potpuno nova vrata u razumevanju fizičkog sveta. Dostizanjem temperatura ispod četiri Kelvina kreirani su uslovi u kojima su se metali ponašali na dotad nepoznat način. Upravo u tim istraživanjima otkrivena je superprovodljivost, iako sam pronalazač helijuma za to otkriće nije dobio direktnu Nobelovu nagradu. Njegov metod organizovanja laboratorije kao pogona za proizvodnju preciznih merenja predstavlja preteču savremenih pristupa visokotehnološkim startapima.

Savremeni startapi poput Periodic Labs nastavljaju istu ovu tradiciju, ali uz podršku modernih algoritama i robotike. Umesto ljudskih ruku koje ručno prate svaku promenu temperature, sada autonomni sistemi prate stotine parametara u realnom vremenu. Spajanje dubokog poznavanja fizike i naprednog inženjeringa omogućava preskakanje prepreka koje su decenijama kočile istraživače. Time se istorijska lekcija o važnosti industrijskog pristupa nauci primenjuje na potpuno novom nivou.

Potpuna opservacija eksperimentalnog procesa

Tradicionalni naučni rad ima jednu veliku manu u pogledu beleženja podataka. Kada ljudi sprovode eksperimente, oni detaljno zapisuju samo onaj deo za koji veruju da je važan za konačni rad. Sve one takozvane beskorisne informacije i sporedna merenja nastala usput obično se odbacuju i nikada ne ulaze u zvaničnu literaturu. S druge strane, automatizovani laboratorijski sistemi mogu da zabeleže kompletnu eksperimentalnu putanju, čuvajući svaki pojedinačni korak i neuspeh od zaborava.

Ovakav nivo potpune vidljivosti procesa otvara neslućene mogućnosti za mašinsko učenje. Modeli više ne uče samo iz čistih i doteranih rezultata uspešnih eksperimenata, već vide celu sliku, uključujući i slučajne greške. Na primer, ukoliko se u laboratoriji dogodi greška sa pogrešno etiketiranim uzorcima, tradicionalni radnici gube mnogo vremena na njeno otkrivanje i ispravljanje. Sistem vođen veštačkom inteligencijom može samostalno da identifikuje anomaliju i usput je ispravi, štedeći dragocene resurse.

Pored toga, prikupljanje svežih i neočišćenih podataka omogućava kreiranje takozvanih snimaka eksperimentalnih stanja. To modelima pruža priliku da postave ključno pitanje o tome šta je trebalo uraditi u sledećem koraku. Budući da podaci nisu kontaminirani unapred poznatim ishodima iz udžbenika, veštačka inteligencija zadržava objektivnost u donošenju zaključaka. To je suštinska razlika između puke memorizacije tuđih rezultata i stvarnog razumevanja procesa istraživanja.

Ljudski faktor i iskustvo u razvoju veštačke inteligencije

Osnivanje kompanije koja kombinuje vrhunsku veštačku inteligenciju i fiziku zahteva izuzetan spoj različitih stručnosti. Ljudi koji stoje iza projekta nose bogato iskustvo stečeno na vodećim mestima u globalnim tehnološkim gigantima poput kompanija OpenAI i Google DeepMind. Razvoj sistema koji su privukli milione korisnika širom sveta pruža jedinstven uvid u mogućnosti, ali i ograničenja savremenih jezičkih modela. Poznavanje unutrašnje strukture ovih sistema ključno je za njihovu uspešnu primenu u teškim naukama.

Zanimljivo je primetiti da u vreme lansiranja najpopularnijih četbotova ni sami tvorci nisu mogli precizno da predvide njihovu masovnu privlačnost. Često se dešavalo da interni modeli sa naprednijim specifikacijama ne ostvare isti odjek kod korisnika kao oni jednostavniji. To pokazuje da visoke tehničke performanse same po sebi ne garantuju viralnost i praktičnu korisnost u stvarnom svetu. Iskustvo iz ovih projekata naučilo je osnivače da fokus moraju prebaciti sa pukog generisanja teksta na stvaranje merljive vrednosti u industriji.

Spajanjem znanja o post-treningu modela i iskustva u radu sa hemičarima i naučnicima za materijale stvoren je jedinstven temelj za rad laboratorije. Saradnja stručnjaka iz različitih disciplina rešava problem komunikacije između sveta računara i sveta fizičkih supstanci. Upravo ta duboka multidisciplinarnost privlači vrhunske talente u tim i omogućava postizanje ciljeva koji su se do skoro činili nedostižnim. Inovacije se ne rađaju u izolaciji, već na mestima gde se ukrštaju različite industrijske i naučne perspektive.

Zaključak i perspektiva autonomne nauke

Razvoj sistema koji spajaju veštačku inteligenciju i stvarne fizičke eksperimente označava početak nove ere u industrijskim istraživanjima. Kompanije koje uspeju da premoste jaz između teorijskih modela i laboratorijske prakse imaće ključnu ulogu u stvaranju materijala budućnosti. Ulaganje u infrastrukturu za automatsku sintezu supstanci postavlja nove standarde efikasnosti i brzine u globalnoj ekonomiji.

Praktična poruka za poslovne lidere i istraživače jeste da se fokus pomere sa pasivnog sakupljanja informacija na aktivno eksperimentisanje i verifikaciju u realnom svetu. Tehnologija više ne služi samo za obradu postojeće dokumentacije, već postavlja sopstvene hipoteze i dolazi do originalnih otkrića. Time se otvaraju vrata za rešavanje složenih industrijskih problema koji su decenijama kočili tehnološki razvoj.

U godinama koje dolaze, uspeh na tržištu sve više će zavisiti od sposobnosti kompanija da integrišu napredne analitičke alate sa konkretnim proizvodnim procesima. Svi koji prepoznaju značaj prelaza sa pukog razmišljanja na zatvorenu eksperimentalnu petlju imaće prednost u trci za kreiranje održive industrijske budućnosti. Nauka i biznis se ponovo susreću na istoj tački, ovoga puta uz podršku veštačke inteligencije.

Izvor: The Generalist · Fotografija: Pexels / Freepik (ilustracija)