Tweet

Όπως γράφει το Fortune, πρόσφατα, ερευνητές του Northwestern University χρησιμοποίησαν την τεχνητή νοημοσύνη για να βρουν πώς να κατασκευάσουν νέα υβρίδια μεταλλικής υάλου 200 φορές ταχύτερα από ό,τι θα έκαναν εάν πειραματίζονταν στο εργαστήριο. Άλλοι επιστήμονες χτίζουν βάσεις δεδομένων χιλιάδων ενώσεων έτσι ώστε οι αλγόριθμοι να μπορούν να προβλέψουν ποιες ενώσεις συνδυάζονται για να σχηματίσουν ενδιαφέροντα νέα υλικά. Και κάποιοι άλλοι χρησιμοποιούν την τεχνητή νοημοσύνη για να αναζητούν σε δημοσιευμένα επιστημονικά άρθρα τις «συνταγές» για να φτιάξουν αυτά τα υλικά.

Στο παρελθόν, οι επιστήμονες και οι κατασκευαστές αναμίγνυαν υλικά για να δουν τι θα σχηματιζόταν. Αυτός είναι ο τρόπος με τον οποίο ανακαλύφθηκε το τσιμέντο, για παράδειγμα. Με την πάροδο του χρόνου, έμαθαν τις φυσικές ιδιότητες διαφόρων ενώσεων, αλλά μεγάλο μέρος της γνώσης εξακολουθούσε να βασίζεται στη διαίσθηση.

«Αν ρωτούσατε γιατί το ιαπωνικό δαμασκηνό ατσάλι ήταν καλύτερο για την παραγωγή μαχαιριών, δεν νομίζω ότι κανείς θα μπορούσε να σας πει την απάντηση», λέει ο James Warren, διευθυντής του Materials Genome Initiative στο Εθνικό Ινστιτούτο Προτύπων και Τεχνολογίας. «Είχαν απλώς μια κατανόηση του τεχνίτη για τη σχέση μεταξύ της εσωτερικής δομής και της απόδοσης».

Τώρα, αντί να χρησιμοποιούμε τη γνώση του τεχνίτη, μπορούμε να χρησιμοποιούμε βάσεις δεδομένων και υπολογισμούς για να καταγράφουμε γρήγορα τι ακριβώς κάνει ένα υλικό τόσο πολύ ισχυρότερο ή ελαφρύτερο – και αυτό έχει τη δυνατότητα να φέρει μια επανάσταση σε πολλούς βιομηχανικούς κλάδους, σύμφωνα με τον Warren.

Ο χρόνος ανάμεσα στην ανακάλυψη ενός υλικού και την ενσωμάτωσή του σε ένα προϊόν, όπως π.χ. μια μπαταρία, μπορεί να είναι πάνω από 20 χρόνια, επισημαίνει ο ίδιος. Η επιτάχυνση αυτής της διαδικασίας είναι βέβαιο ότι θα μας οδηγήσει σε καλύτερες μπαταρίες και γυαλί για κινητά τηλέφωνα, καλύτερα κράματα για πυραύλους, και καλύτερους αισθητήρες για συσκευές υγείας. «Οτιδήποτε γίνεται από την ύλη» λέει ο Warren, «θα μπορεί να βελτιωθεί».

Οι βάσεις δεδομένων και οι υπολογισμοί μπορούν να μας βοηθήσουν να βρούμε τις απαντήσεις στα κρίσιμα ερωτήματα που αφορούν τις ιδιότητες των υλικών.

«Κάνουμε υπολογισμούς υλικών επιπέδου κβαντικής μηχανικής – υπολογισμούς αρκετά εξελιγμένους ώστε να μπορούμε να προβλέψουμε τις ιδιότητες ενός πιθανού νέου υλικού σε έναν υπολογιστή προτού αυτό παραχθεί στο εργαστήριο», λέει ο Chris Wolverton, καθηγητής επιστήμης των υλικών στο Northwestern University, ο οποίος διαχειρίζεται την Ανοιχτή Βάση Δεδομένων Κβαντικών Υλικών (Open Quantum Materials Database).

Άλλες σημαντικές βάσεις δεδομένων είναι οι Materials Project και Materials Cloud. Και μπορεί οι βάσεις δεδομένων να μην είναι πλήρεις ακόμα, αλλά αυξάνονται και υπόσχονται να μας οδηγήσουν σε συναρπαστικές ανακαλύψεις στο μέλλον.