دانشمندانی که به دنبال حذف دی‌اکسید کربن (CO2) از هوا به روشی پاک و ارزان هستند، مدت‌هاست که به چارچوب‌های فلز-آلی یا MOFها علاقه‌مند هستند: مولکول‌های غول‌پیکر و اسفنج‌مانندی که می‌توان آن‌ها را به طور دقیق برای جذب گاز و سپس آزادسازی آن در صورت نیاز، مهندسی کرد.
MOFها که از یون‌های فلزی تشکیل شده‌اند و توسط ترکیبات حاوی کربن به هم متصل می‌شوند، در آرایه‌های گیج‌کننده‌ای از ساختارها وجود دارند که هر کدام ویژگی‌های متمایز خود را دارند. به عنوان مثال، یک MOF که قادر به جذب CO2 در یک مکان مرطوب در سطح دریا است، ساختاری متفاوت از MOFی خواهد داشت که می‌تواند در آب و هوای خشک و مرتفع عمل کند. مرتب‌سازی میلیاردها احتمال برای یافتن MOF مناسب برای این کار، وظیفه‌ای تقریباً غیرممکن برای یک شیمیدان انسانی است. با این حال، این یک وظیفه عالی برای یک مدل هوش مصنوعی (AI) است.
یکی از استارت‌آپ‌هایی که در حال ساخت چنین سیستمی است، CuspAI نام دارد. این استارت‌آپ از چندین مدل هوش مصنوعی به صورت هماهنگ استفاده می‌کند: برخی برای تولید مولکول‌های کاندید با ویژگی‌های تجویز شده آموزش دیده‌اند، که به یک مدل پایه (Foundation Model) ویژه آموزش‌دیده منتقل می‌شوند تا ویژگی‌های آن‌ها را ارزیابی کند. هدف CuspAI صرفاً یافتن یک MOF خوب نیست، بلکه ساخت سیستمی است که بتواند MOF مناسب را برای هر شرایط محیطی ارائه دهد - و از آنجا، نشان دهد که می‌توان از هوش مصنوعی برای مقابله با هر مشکلی در علم مواد استفاده کرد. باتری‌های بهتر، بیوپلاستیک‌های پاک‌تر، نیمه‌رساناهای قوی‌تر و حتی ابررساناهای دمای اتاق ممکن است به زودی در دسترس قرار گیرند.
این یک رویاپردازی واهی نیست. در یک مقاله کنفرانسی در نوامبر 2024، آیدان تونر-راجرز، دانشجوی دکترای اقتصاد در مؤسسه فناوری ماساچوست (MIT)، تأثیرات یک ابزار هوش مصنوعی جدید را بر بهره‌وری محققان مواد در یک شرکت آمریکایی بی‌نام تجزیه و تحلیل کرد. به لطف راه‌اندازی مرحله‌ای، با دسترسی هزار دانشمند این شرکت به این ابزار در سه گروه مجزا، آقای تونر-راجرز توانست معرفی آن را مانند یک آزمایش تصادفی در نظر بگیرد و تأثیر آن را تخمین بزند. نتایج چشمگیر بودند: افزایش 44 درصدی در تعداد مواد کشف شده، افزایش 17 درصدی در نمونه‌های اولیه محصول که از این مواد جدید استفاده می‌کردند و افزایش 39 درصدی در تعداد پتنت‌های ثبت شده.
آقای تونر-راجرز می‌گوید، تا جایی که می‌توان اندازه‌گیری کرد، به نظر می‌رسد نوآوری‌های حاصل نیز واقعاً جدیدتر هستند. پتنت‌های ثبت‌شده با کمک هوش مصنوعی بیشتر احتمال داشت که اصطلاحات فنی جدیدی را ذکر کنند و خود مواد نیز ساختارهای فیزیکی ناآشناتری داشتند.
اما آیکه فان ووخت، مهندس شیمی هلندی، اشاره می‌کند که چه از مدل‌های هوش مصنوعی استفاده کنید چه نکنید، طراحی مواد همچنان "دردسر ساز" باقی می‌ماند. برخی از چالش‌ها فنی هستند، زیرا تولید مواد جدید اغلب به تأسیسات تولیدی سفارشی نیاز دارد که قادر به تولید انبوه با سرعت بالا باشند. سایر چالش‌ها مالی هستند، به طوری که شرکت‌هایی که بر تحقیق و توسعه اولیه تمرکز می‌کنند، برای یافتن راهی برای تبدیل اکتشافات به سود، با مشکل مواجه می‌شوند.
سایر صنایع قبلاً این مشکل را حل کرده‌اند. استف فان گریکن، یکی از بنیانگذاران Cradle، یک آزمایشگاه پروتئین هوش مصنوعی با دفاتری در آمستردام و زوریخ، صنعت داروسازی را به عنوان "سهام خصوصی با آزمایشگاه‌های متصل" توصیف می‌کند. آزمایش‌های بالینی برای داروهای جدید ممکن است بی‌رحمانه باشند، اما سرمایه‌گذاری‌هایی را تشویق می‌کنند که ریسک و پاداش را در سراسر صنعت توزیع می‌کنند و منابع را به محققان در خط مقدم باز می‌گردانند. چنین امکانی برای دانشمندان مواد وجود ندارد: کسانی که در کار طراحی یک ماده هستند، ناگزیر باید نحوه آزمایش، تولید و فروش آن را نیز بیابند.
این امر CuspAI را منصرف نکرده است. این شرکت امیدوار است پلتفرمی بسازد که بتواند مواد را به صورت سفارشی طراحی کند و آزمایش و تولید را به شرکت‌های بزرگ‌تر با آزمایشگاه‌ها و facilities ساخت واگذار کند.
رقابت MOFها
Orbital Materials مستقر در لندن نیز از هوش مصنوعی برای ساخت MOF استفاده می‌کند. جاناتان گادوین، محقق سابق Google DeepMind که یکی از بنیانگذاران این شرکت است، می‌گوید این شرکت مدل خود را از ابتدا با استفاده از شبیه‌سازی‌های ابررایانه‌ای برای تولید داده‌های آموزشی، آموزش داده است. نتیجه نهایی صدها میلیون تعامل شیمیایی شبیه‌سازی‌شده است که هر کدام فقط از چند صد "توکن" تشکیل شده‌اند: نسخه‌های پیشرفته‌ای از واکنش‌های شیمیایی مختصری که یک کتاب درسی دبیرستان را پر می‌کنند. این میزان داده آموزشی، چندین مرتبه کمتر از داده‌های مورد نیاز برای آموزش یک مدل زبان بزرگ است، اما آقای گادوین امیدوار است که برای ساخت یک مدل کوچک و کارآمد که بتواند به طور دقیق فعل و انفعالات شیمیایی را پیش‌بینی کند، بیش از اندازه کافی باشد.
اما Orbital به جای اینکه مانند CuspAI به عنوان یک آزمایشگاه صرفاً مجازی عمل کند، هوش مصنوعی بسازد و اکتشافات آن را بفروشد، آماده است تا دست به کار شود. مدل پایه آن قبلاً تعدادی MOF کاندید ارائه کرده است و Orbital زمان و هزینه را در آزمایشگاه‌های داخلی و مهندسان شیمی سرمایه‌گذاری کرده است تا تأیید کند که آن‌ها کار می‌کنند و می‌توانند در مقیاس بزرگ تولید شوند. در ماه دسامبر، این شرکت قراردادی با Amazon Web Services، یک hyperscaler، اعلام کرد تا یکی از اکتشافات را در یکی از مراکز داده عظیم این شرکت ادغام کند، جایی که گرمای تلف‌شده سیستم خنک‌کننده هوا، واکنش شیمیایی را که CO2 را از هوا پاک می‌کند، تامین می‌کند. هدف این است که مرکز داده را با هزینه 20 سنت در ساعت به ازای هر تراشه، کربن منفی کنیم. اگر این کار عملی شود، Orbital یک اختراع تولید شده توسط هوش مصنوعی را سریع‌تر از هر کسی در صنعت داروسازی به یک محصول کاربردی تبدیل کرده است.
شرکت‌های دیگر در تلاش هستند تا نیاز به آزمایشگاه‌ها را به طور کامل خودکار کنند. آقای فان ووخت، مهندس شیمی، یکی از آن‌هاست. استارت‌آپ او، VSParticle، چیزی را ارائه می‌دهد که در واقع یک چاپگر سه بعدی در مقیاس نانو است: با استفاده از تکنیکی به نام فرسایش جرقه‌ای، لایه نازکی از مواد جدید را یک نانوذره در یک زمان، با پیروی از دستورالعملی منحصر به فرد برای هر ماده، می‌سازد. چنین فیلم‌هایی می‌توانند در باتری‌ها یا به عنوان کاتالیزور استفاده شوند. آقای فان ووخت استدلال می‌کند که اگر این روش به طور گسترده‌ای پذیرفته شود، می‌تواند دانشمندان مواد را از کار سخت یافتن چگونگی تولید فیزیکی یک کاندیدای مطلوب نجات دهد. به جای نگرانی در مورد سنتز، آن‌ها می‌توانند به سادگی دستورالعمل را به آزمایشگاه VSParticle ایمیل کنند و منتظر بمانند تا محصول نهایی در یکی از سازنده‌های خودکار این شرکت چاپ شود.
اتوماسیون حتی فراتر از این رفته است. در سال 2023، دانشمندان MIT نشان دادند که یک ربات مجهز به هوش مصنوعی می‌تواند تقریباً 300 رنگ شیمیایی جدید را پیش‌بینی، تولید و تجزیه و تحلیل کند، که منجر به مهندسی 9 مورد از آن‌ها با ویژگی‌های بسیار مطلوب در تصویربرداری زیست‌پزشکی شد. در سال 2024، گروهی به سرپرستی محققان دانشگاه تورنتو، یک عامل هوش مصنوعی را ارائه کردند که توانست (البته با کمک انسان) یک ماده بهره‌وری لیزر بی‌نظیر جهانی – ماده تقویت‌کننده نور- را برای لیزر ایجاد کند.
مکس ولینگ، یکی از بنیانگذاران CuspAI، می‌گوید استفاده از ترکیبی از هوش مصنوعی و رباتیک به عنوان میان‌بری برای سنتز مواد جدید، بسیار مهم خواهد بود. اما او هشدار می‌دهد: "دستورالعمل‌ها بسیار ظریف هستند." حتی تفاوت‌های جزئی در رطوبت یا کیفیت هوا می‌تواند شانس یک آزمایشگاه را برای ساخت محصول مورد نظر از بین ببرد. این امر در مورد آزمایشگاه‌هایی که توسط ربات‌ها اداره می‌شوند، صادق‌تر است، که باعث شده است برخی نتایج آن‌ها را زیر سوال ببرند. در سال 2023، محققان A-Lab، یک آزمایشگاه خودکار در آزمایشگاه ملی لارنس برکلی، ادعا کردند که 41 ماده جدید پیش‌بینی‌شده را با استفاده از داده‌های Google DeepMind و Materials Project، طرحی که به دنبال شبیه‌سازی خواص تمام مواد غیرآلی است، ساخته‌اند. این اعلامیه چشمگیر بود، اما سؤالات مربوط به تجزیه و تحلیل مدل باعث شده است که برخی از شیمیدانان در مورد اینکه آیا واقعاً مواد جدیدی تولید شده‌اند، تردید کنند. تیم A-Lab بر رویکرد خود پافشاری می‌کند.
در حال حاضر، دلیلی برای خوش‌بینی محتاطانه وجود دارد. در نوامبر 2024، متا، یک غول فناوری، شراکتی با VSParticle و دانشگاه تورنتو اعلام کرد که بودجه ایجاد، تجزیه و تحلیل و دیجیتالی‌سازی بیش از 500 الکتروکاتالیست آزمایشی را تأمین کرده است - دسته‌ای از مواد که می‌توانند برای تامین انرژی باتری‌های نسل بعدی بسیار مهم باشند. لری زیتنیک، مدیر تحقیقات بخش هوش مصنوعی متا، گفت که مراکز داده بزرگ این شرکت همیشه با حداکثر ظرفیت کار نمی‌کنند. این امر باعث شد که قدرت محاسباتی اضافی باقی بماند که متا توانست آن را به این پروژه اهدا کند تا شبیه‌سازی‌های اولیه برای آن الکتروکاتالیست‌ها را فراهم کند.
برای چاد ادواردز، دیگر بنیانگذار CuspAI، چیزی بیش از یک ماده جدید جذب کربن در خطر است. اگر شرط‌بندی شرکت او نتیجه دهد، این فرصتی برای نشان دادن این است که هوش مصنوعی واقعاً می‌تواند سهم معناداری در علم داشته باشد. ¦
یادداشت ویراستار (6 مارس 2025): این مقاله برای انعکاس بهتر ماهیت فرآیند ساخت مدل CuspAI اصلاح شده است.
برای آگاهی از اخبار علمی ما، در Simply Science، خبرنامه هفتگی ما که فقط برای مشترکین است، ثبت‌نام کنید.