جاناتان بین، مدیرعامل و یکی از بنیانگذاران Materials Nexus است. جاناتان با سابقه ای در هر دو جنبه مهندسی نظری و عملی علم مواد، به سرعت فرصت یک پلت فرم جدید مدل سازی مواد را شناسایی کرد. در حالی که محققی در دانشگاه کمبریج بود، Materials Nexus را برای تسریع جذب مواد جدید برای مقابله با بحران آب و هوا تأسیس کرد.
تحقیقات دکترای جاناتان در دانشگاه یورک بر روی تکنیک های مدل سازی پیشرفته برای مواد پلی کریستالی بود.
جاناتان در کنار نقشش در Materials Nexus، یک مربی با استعدادهای جهانی مربیگری و رهبران در بورسیه های نوآوری است که توسط آکادمی سلطنتی مهندسی اداره می شود. او همچنین در کالج ترینیتی، کمبریج، علم مواد را برای مهندسان تدریس می‌کند و عضو مدعو در دانشگاه بانک جنوبی لندن است.
مواد Nexus شرکتی است که از هوش مصنوعی برای تولید مواد برتر سریعتر از همیشه استفاده می کند.
آیا می توانید داستان تاسیس Materials Nexus را به اشتراک بگذارید؟ چه چیزی باعث ایجاد این شرکت و تمرکز آن بر کشف مواد مبتنی بر هوش مصنوعی شد؟
در نهایت، حد آنچه که می توان ساخت، مصالحی است که برای ساخت آن استفاده می شود. این انگیزه من برای مطالعه علم مواد بود. در طول مدتی که در دانشگاه کمبریج کار می کردم و با هم بنیانگذارم رابرت فارست کار می کردم، میل به انجام سریعتر تحقیقات ما باعث چرخش ما به سمت توسعه الگوریتم های یادگیری ماشین شد. این پایه و اساس فناوری Materials Nexus شد.
واضح بود که این تحقیق می تواند تأثیر مثبتی در جهان داشته باشد و پذیرش آن باید تسریع شود. به همین ترتیب، عملکرد محصولات توسط مواد محدود می شود، بنابراین پیشرفت ما به سمت صفر خالص است. این همان چیزی است که ما را الهام گرفت تا کسب و کار را تأسیس کنیم.
یک نیروی محرکه برای ما به عنوان یک شرکت بهبود وضعیت جهان از نظر محیطی، ژئوپلیتیکی و اخلاقی است. هدف ما ایجاد انقلابی در صنعت مواد با طراحی مواد جدید است که نیازهای رو به رشد را برای پایداری و عملکرد برآورده می کند.
آیا می‌توانید توضیح دهید که چگونه هوش مصنوعی فرآیند کشف مواد را، به‌ویژه در زمینه Materials Nexus، تغییر می‌دهد؟
به همین ترتیب هوش مصنوعی بر کشف دارو تأثیر گذاشت فرآیند، همچنین اساساً در حال تغییر در کشف مواد است. تبدیل آنچه که معمولاً رویکرد مبتنی بر آزمون و خطا است به فرآیند طراحی مبتنی بر قصد. اما برخلاف تحقیقات دارویی، پیچیدگی و فضای جستجوی گسترده‌تری در کل جدول تناوبی وجود دارد. در Materials Nexus، ما به کل مقیاس طول، از سطح کوانتومی تا توده نگاه می‌کنیم – این بدان معنی است که ما نه تنها از مکانیک کوانتومی برای پیش‌بینی ترکیب استفاده می‌کنیم، بلکه تکنیک‌های پردازش و سنتز را نیز مدل‌سازی می‌کنیم. این به ما این امکان را می دهد که نه تنها مواد با کارایی بالا را شناسایی کنیم، بلکه به طور فیزیکی مواد با کارایی بالا را نیز در عرض چند ماه به جای چند دهه تولید کنیم که به طور قابل توجهی روند تحقیق و توسعه را سرعت می بخشد.
مزایای کلیدی استفاده از هوش مصنوعی نسبت به روش های سنتی آزمون و خطا در توسعه مواد جدید چیست؟
استفاده از هوش مصنوعی برای کشف مواد چندین مزیت دارد: سرعت، کارایی هزینه، و پایداری کلیدی است. پلتفرم مبتنی بر هوش مصنوعی ما می‌تواند مجموعه داده‌های وسیعی را تجزیه و تحلیل کند و خواص مواد را به‌طور دقیق پیش‌بینی کند، همه اینها قبل از پا گذاشتن در آزمایشگاه، این فرآیند را مقرون‌به‌صرفه و کم‌هزینه می‌سازد، زیرا نیاز به آزمایش‌های پرهزینه و با منابع فشرده را به حداقل می‌رساند. این همچنین به این معنی است که فرآیندهایی که معمولاً روزها در آزمایشگاه طول می کشد را می توان در چند ساعت در پلت فرم ما انجام داد.
این در نهایت مجموعه جدیدی از فرصت ها را با مواد هدفمند “طراحی” در مقابل کشف باز می کند. این امکان وجود دارد که هر مجموعه داده یا پارامتر مواد، مانند انتشار CO2، هزینه، یا وزن، و جستجوی ترکیباتی را برای مطابقت با آن نیازهای خاص، ترکیب کنید، و فرآیند “کشف” را در ذهن خود تغییر دهید.
هوش مصنوعی و یادگیری ماشین چه نقشی در کاهش اثرات زیست محیطی تولید مواد دارند؟
استفاده از هوش مصنوعی و یادگیری ماشینی مجموعه وسیعی از فرصت های مادی را در مرحله کشف باز می کند. در سطح تولید، تأثیر این امر دو برابر است. اول ترکیب عنصری خود مواد، دوم شرایط پردازش مواد است. کشف مواد هوش مصنوعی می تواند عناصر خاصی را که هزینه زیست محیطی بالایی دارند (مانند عناصر خاکی کمیاب) حذف کند یا درصد ترکیب آنها را کاهش دهد. همچنین می‌توان از آن برای بررسی تکنیک‌های فرآوری (مانند دما، فشار یا حتی خلوص سنگ معدن) مورد نیاز برای ساخت مواد و شناسایی روش‌های کم انرژی استفاده کرد. این دو جنبه می توانند تأثیر قابل توجهی بر انتشار اولیه تولید مواد داشته باشند. با این حال، توجه به این نکته مهم است که اثرات زیست محیطی فراتر از تولید به تنهایی است. استفاده از مواد برتر، چه با کارایی بالا و چه ارزان‌تر، می‌تواند با در دسترس‌تر کردن فناوری‌های پایدار (مثلاً خودروهای برقی ارزان‌تر)، کارآمدتر (مثلاً تراشه‌های کامپیوتری بهتر برای هوش مصنوعی)، و در نهایت سمیت کمتری، تأثیر زیست‌محیطی ثانویه مثبتی داشته باشد. دفع مادام العمر (مثلاً جایگزینی هیدروفلوئوروکربن ها).
Materials Nexus چگونه توانست تنها در سه ماه یک آهنربای عاری از خاک کمیاب بسازد و پیامدهای این پیشرفت چیست؟
پلتفرم ما قادر به تجزیه و تحلیل بیش از 100 میلیون ترکیب بالقوه آهنرباهای خالی از خاک کمیاب بود که همه آنها قبل از قدم گذاشتن در آزمایشگاه بودند. این بدان معنی بود که وقتی به مرحله سنتز پیش رفتیم، پیش‌بینی دقیقی از ترکیب و خواص آن داشتیم.
پیامدهای این آهنربا قابل توجه است: این پیشرفت فراتر از کشف این ماده منحصر به فرد است و نشان دهنده دگرگونی فرآیندهای طراحی مواد با قدمت چند صد ساله است. همانطور که پلت فرم ما توسعه یافته و هوشمندتر می شود، قادر خواهیم بود ترکیبات را با سرعت بیشتری و در مناطق مختلف مواد پیش بینی کنیم. با 10100 ترکیب عناصر در جدول تناوبی، احتمالات بی پایان است.
آیا هوش مصنوعی به طور بالقوه می تواند جایگزین فلزات کمیاب خاکی در کاربردهای دیگر فراتر از آهنربا شود؟
کشف مواد مبتنی بر هوش مصنوعی پتانسیل شناسایی و توسعه مواد جایگزین را برای طیف وسیعی از کاربردهای فراتر از آهنربا دارد. در این مثال، هدف یافتن یک ترکیب مغناطیسی جایگزین بود که عناصر کمیاب را حذف می‌کرد، اما الگوریتم‌های جستجوی یادگیری ماشینی ما برای استفاده در هر کلاس ماده ساخته شده‌اند. این بدان معنی است که ما در حال ساختن یک پلت فرم جهانی طراحی مواد هستیم.
در حال حاضر، قابلیت‌های پلتفرم ما بر روی آلیاژها و سرامیک‌ها، با تمرکز ویژه بر روی مواد کاربردی برای کاربردها در فناوری‌های سبز پر تاثیر مانند موتورهای الکتریکی، نیمه هادی‌ها، ابررساناها و هیدروژن سبز متمرکز شده است. .
چگونه همکاری بین Materials Nexus، موسسه هنری رویس و دانشگاه شفیلد توسعه مواد جدید را افزایش می دهد؟
همکاری ما با شرکای استراتژیک کلیدی در سراسر اکوسیستم نوآوری بریتانیا، مانند موسسه هنری رویس و دانشگاه شفیلد، دسترسی به امکانات و تخصص در سطح جهانی را در زمینه‌های تخصصی علم مواد فراهم می‌کند. این مشارکت ها ما را قادر می سازد تا سنتز و آزمایش پیش بینی های خود را تسریع کنیم.
چه بخش‌های دیگری می‌توانند از کشف مواد مبتنی بر هوش مصنوعی بهره ببرند و چگونه؟
کشف مواد مبتنی بر هوش مصنوعی می تواند بر هر طبقه مواد تأثیر بگذارد. در Materials Nexus ما بر روی موادی تمرکز می‌کنیم که پیشرفت و بهبود آنها از سخت‌ترین و گران‌ترین‌ها در نظر گرفته می‌شوند، زیرا بیشترین تأثیر مثبت را دارند. هر صنعت تحت تاثیر قرار خواهد گرفت: انرژی، هوانوردی، ابررایانه ها، حمل و نقل، به نام چند. به عنوان مثال، در بخش انرژی، هوش مصنوعی می تواند به توسعه مواد کارآمدتر و پایدارتر برای باتری ها و سلول های خورشیدی کمک کند. در ابررایانه ها، می تواند منجر به ایجاد مواد نیمه هادی جدید شود که قابلیت های ذخیره سازی و پردازش داده ها را افزایش می دهد. با فعال کردن توسعه سریع مواد با کارایی بالا، هوش مصنوعی می‌تواند نوآوری و پایداری را در تقریباً همه صنایع ایجاد کند.
چه پیشرفت‌های آینده در هوش مصنوعی برای علم مواد را می‌توانیم انتظار داشته باشیم و چگونه بر صنایع مختلف تأثیر خواهند گذاشت؟
کار ما برای پیشبرد مرزهای ممکن ادامه خواهد داشت و ما وقف شکستن این موانع هستیم. مواد برتر به معنای نوآوری برتر برای پاسخگویی به خواسته های چالش های فردا است. آینده فقط توسط تخیل ما محدود می شود.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند مواد Nexus.
