Для материаловедения AI эффективен только в сочетании с экспериментальными данными и замкнутым циклом самоуправляемых лабораторий, которые проводят синтез, тестирование и обратную связь. Модели без реальных данных о производстве и характеристиках материала не решают ключевые задачи внедрения в индустрию.
🔬 The Limits of AI in Science - Why We Need Self-Driving Labs — Joseph Krause, Radical AI
наведи и нажми на цифру — раскроется глава
полный разбор ролика · 5 глав ↓
Разница AI в биологии и материалах
В материалах невозможно представить все параметры в виде строки, как в биологии, из-за сложности процессов производства и структуры.
Нет универсальной модели, способной с первого раза предсказать свойства нового материала; нужен сбор и интеграция экспериментальных данных.
Конкуренция и уникальность Radical AI
Компания строит замкнутую систему лабораторий, которые самостоятельно проводят эксперименты и собирают данные для обучения AI.
Это отличается от конкурентов, которые часто фокусируются только на генерации гипотез без глубокого экспериментального подтверждения.
Важность синтеза и характеристики
Большая часть характеристик материала определяется этапами синтеза, обработки и производства, которые нельзя заменить моделями.
AI помогает генерировать составы, но их реальная ценность определяется после экспериментальной проверки и масштабирования.
Практические сложности и сбор данных
Используются разнообразные методы лабораторной характеристики (SEM, EDS, XRD, тесты на окисление, механические испытания).
Пока не охвачено масштабное производство, но планируется расширение сбора данных на этот этап.
Текущий статус и планы развития
За последние полгода создано и протестировано более 1200 сплавов, 300 из которых — новые.
Планируется интеграция данных о масштабном производстве и использование сторонних экспертиз для расширения охвата.