Baza danych, która powstała dzięki przetworzeniu tysięcy prac naukowych
Sercem całego projektu jest baza NEMAD, której powstanie opisano w czasopiśmie Nature. Jest to publicznie dostępny zbiór zawierający obecnie ponad 67 tysięcy wpisów na temat materiałów magnetycznych. Aby go stworzyć, naukowcy Suman Itani, Yibo Zhang i Jiadong Zang wykorzystali duże modele językowe, w tym GPT-4o i Google Gemini 2.0 Flash, do automatycznej analizy ogromnych ilości literatury. Narzędzia te wyciągały z tekstów kluczowe parametry, takie jak skład chemiczny, struktura krystaliczna i fundamentalna właściwość, czyli temperatura Curie, powyżej której materiał traci magnetyzm.
Czytaj też: Dziwaczny stan materii w grafenie. Kwantowa magia doprowadziła do przejścia nadciekłości w nadstałość
Dokładność tej automatycznej ekstrakcji danych sięga 94%, co jest wynikiem imponującym. Co istotne, prawie 22% skatalogowanych związków ma temperatury Curie przekraczające 600 kelwinów, czyli około 327 stopni Celsjusza. Taka wytrzymałość cieplna otwiera drogę do zastosowań przemysłowych, gdzie komponenty nagrzewają się podczas pracy. Cały kod źródłowy oraz metodyka są otwarte i dostępne na platformach takich jak GitHub, co umożliwia weryfikację i dalszy rozwój projektu przez inne zespoły na świecie.
Skuteczność algorytmów w przewidywaniu właściwości fizycznych
Prawdziwym sprawdzianem dla metody było nie samo zbieranie danych, lecz ich analiza i wyciąganie wniosków. Stworzone przez naukowców modele klasyfikacyjne osiągnęły 90-procentową trafność w rozpoznawaniu, czy dany związek jest ferromagnetykiem, antyferromagnetykiem, ani czy nie wykazuje właściwości magnetycznych. Jeszcze większe wrażenie robią modele regresji, które próbują przewidzieć konkretne wartości numeryczne. Jeden z nich, prognozujący temperaturę Curie, osiągnął współczynnik determinacji na poziomie 0,87, co oznacza bardzo silną korelację z rzeczywistością. Średni błąd przewidywania wyniósł 56 kelwinów.
Drugi model, szacujący temperaturę Néela dla antyferromagnetyków, radził sobie z błędem średnim zaledwie 38 kelwinów. W świecie materiałoznawstwa, gdzie różnica kilkudziesięciu stopni może decydować o użyteczności materiału, to wciąż wartościowy punkt wyjścia do dalszych, laboratoryjnych badań. Spośród 32 najbardziej obiecujących związków wskazanych przez sztuczną inteligencję, właściwości 7 zostały potwierdzone wcześniejszymi eksperymentami. Pozostałe 25 to zupełnie nowi kandydaci. W tej grupie znalazło się 25 materiałów ferromagnetycznych, które – według prognoz – zachowają magnetyzm powyżej 500 K, czyli 227 stopni Celsjusza. Dodatkowo wymienia się 13 antyferromagnetyków z wysokimi temperaturami przejścia.
Realne wyzwania dla nowej metody
Oczywiście, od listy wygenerowanej przez algorytm do magnesu w silniku Tesli droga jest daleka. Metoda zespołu z New Hampshire jest jednak niezwykle obiecująca jako narzędzie wspomagające odkrywanie. Jej mechanizm można w zasadzie zastosować do poszukiwań materiałów o innych kluczowych właściwościach, jak nadprzewodnictwo czy efektywna konwersja światła na prąd.
Czytaj też: Frustracja w materiałach kwantowych czyni cuda. Jej efekt wychodzi daleko poza ściany laboratorium
Zajmujemy się jednym z najtrudniejszych wyzwań w materiałoznawstwie – odkrywaniem zrównoważonych alternatyw dla magnesów trwałych – i jesteśmy optymistami, że nasza eksperymentalna baza danych i rozwijające się technologie sztucznej inteligencji sprawią, że ten cel będzie osiągalny – tłumaczy Jiadong Zang
Potencjalne korzyści gospodarcze są ogromne. Dziś wydajne magnesy trwałe, niezbędne w nowoczesnych technologiach, opierają się na pierwiastkach ziem rzadkich, takich jak neodym czy dysproz. Ich wydobycie i przetwarzanie są kosztowne, a łańcuch dostaw wrażliwy geopolitycznie, zdominowany przez jeden kraj. Znalezienie dostępniejszych substytutów mogłoby zdemokratyzować produkcję i obniżyć ceny końcowych produktów. Otwarty charakter bazy NEMAD i towarzyszących jej narzędzi to ich największa siła. Inne ośrodki badawcze mogą nie tylko z nich korzystać, lecz również udoskonalać całe podejście.