Forskere i Korea har udviklet en teknologi, der automatisk identificerer de nødvendige forløbermaterialer til at syntetisere specifikke målmaterialer.
Et fælles forskerteam ledet af seniorforsker Gyoung S. NA fra Korea Research Institute of Chemical Technology (KRICT) og professor Chanyoung Park fra Korea Advanced Institute of Science and Technology (KAIST) har udviklet en AI-baseret retrosyntesemetodik, der forudsiger den Påkrævede forløbermaterialer udelukkende baseret på den kemiske formel for målmaterialet uden dyre materialebeskrivelser og kemisk analyse.
Forløbermaterialer henviser til alle essentielle materialer, der kræves i synteseprocessen for det ønskede målmateriale.
I de senere år er Materials Discovery blevet en afgørende opgave på tværs af forskellige brancher, herunder batterier og halvledere. Traditionelt har det krævet dyre og gentagne eksperimenter at finde de rigtige mellemmaterialer til syntese. Der er dog en voksende efterspørgsel efter at bruge AI til at identificere disse materialer effektivt.
Eksisterende AI-baserede teknologier til forudsigelse af materialesynteseprocesser har primært fokuseret på organiske materialer, såsom lægemiddelforbindelser, hvorimod forskning på uorganiske materialer har været relativt utilstrækkelig. Dette skyldes, at uorganiske forbindelser, såsom metaller, har komplekse strukturer og forskellige elementære sammensætninger, hvilket gør det udfordrende at bestemme synteseveje.
Forskningsteamet udviklede en innovativ AI -teknologi, der kan lære den inverse proces med at forudsige de nødvendige forløbermaterialer i målmaterialet ved kun at bruge dets kemiske formel.
Tidligere udviklede og overførte Krict “Chemai” -platformen i 2022, som giver brugerne mulighed for at forudsige synteseinformation uden avancerede programmeringsevner og dyre hardwareinfrastrukturer.
Denne nyudviklede teknologi overvinder de udfordringer, som de komplekse 3D -strukturer af uorganiske materialer stiller, såsom atomarrangementer og bindingsinformation. I stedet analyserer AI typerne og forholdet mellem elementer, der er til stede i målmaterialet, og beregner de termodynamiske formationsenergiforskelle for at identificere forløbere, der letter lettere synteseaktioner.
For at forbedre nøjagtigheden af precursor -materialeforudsigelser anvendte teamet et dybt neuralt netværk, der er specialiseret i kemiske data. AI -modellen blev trænet på cirka 20.000 offentliggjorte forskningsartikler, der detaljerede materialesynteseprocesser og forløbermaterialer.
AI -modellen blev testet på omkring 2.800 synteseeksperimenter, der ikke blev leveret i træningsdatasættet. Evalueringsresultaterne viste, at det med succes forudsagde de nødvendige forløbermaterialer i over 80% af tilfældene inden for kun 0,01 sekunder ved at anvende GPU -acceleration.
Når man ser fremad, planlægger forskerteamet at udvide træningsdatasættet gennem forskningsprojekter fra Krict for at opnå 90% forudsigelsesnøjagtighed. I 2026 sigter de mod at etablere en webbaseret offentlig service til AI-baserede materialeopdagelse. Fremtidig forskning vil fokusere på fuldautomeret materialeopdagelse, der forudsiger både forløbermaterialer og synteseveje, der udelukkende er baseret på målmaterialets kemiske formel.
Forskningsteamet understregede nyheden i deres tilgang og sagde, “I modsætning til konventionelle precursor -forudsigelse AI -modeller, der er begrænset til specifikke materialetyper, kan vores AI forudsige forløbermaterialer universelt, uanset anvendelserne af målmaterialerne.”
Krict præsident Young-Kuk Lee tilføjede, “Denne forskning forventes at forbedre effektiviteten af ny materialeudvikling på tværs af forskellige brancher.”
Arbejdet offentliggøres på arxiv Preprint Server.