Kivételesen jó hír érkezett Brüsszelből – Elon Musk örülhet
A kínai gyártású Tesla elektromos autókra kivetett 20,8 százalékos vámot a jövőben 9 százalékra mérsékelnék, ami jelentős engedmény lenne.
Tízmilliárdféle kereskedelmi forgalomban kapható gyógyszer- és vegyipari molekula áll ma rendelkezésre. Az autó-akkumulátorok elektrolitanyagainak előállításához azonban sokkal-sokkal több fajta, várhatóan tíz a 47.-en számú molekulát kellene megvizsgálni.
A Makronóm Intézet elemzőjének írása.
A szakértők szerint sok milliárdszor több lehetséges molekulajelöltet kellene megvizsgálni, mint amire az emberi, vagy akár egy MI nélküli szoftver képes lenne. Modellezni szükséges ehhez a vegyi és kémiai reakciókat, a különböző molekulakombinációk ugyanis sokat számítanak az akkumulátorok világában. Ha egy kutatói csapat megtalálja az elektrolitanyagok megfelelő keverékét, akkor egy gyorsabban töltődő, nagyobb energiasűrűségű akkumulátort hozhat létre egy elektromos jármű, a hálózat vagy akár egy villannyal működő repülőgép számára. A hátránya? Az, hogy a gyógyszerek felfedezéséhez hasonlóan több mint egy évtizedbe és több ezer kudarcba kerülhet, mire megtaláljuk a megfelelőt.
Az Aionics startup cég alapítói szerint a mesterségesintelligencia-eszközök felgyorsíthatják a kutatásokat – írja a Techcrunch innovációs portál. „A probléma az, hogy túl sok a molekulajelölt, és nincs elég idő mindet megvizsgálni a laborban”
– mondta Austin Sendek, az Aionics társalapítója és vezérigazgatója a TechCrunchnak a közelmúltban Dallasban megrendezett Up Summit rendezvényen.
A lítiumion-akkumulátorok három kritikus építőelemet tartalmaznak. Két elektróda van, egy anód (negatív) az egyik oldalon és egy katód (pozitív) a másikon. Az elektrolit általában középen helyezkedik el, és az ionok töltés, valamint kisütés közbeni mozgatását végzi az elektródák között.
Az Aionics az elektrolitra összpontosít, és egy mesterségesintelligencia-eszközkészletet használ a felfedezés felgyorsítására és végső soron jobb akkumulátorok kifejlesztésére. Az Aionics katalizátorok felfedezésének megközelítése befektetőket is vonzott. A 2020-ban alapított Palo Altó-i székhelyű startup eddig 3,5 millió dollárt (közel 1,3 milliárd forintot) gyűjtött össze, beleértve egy 3,2 milliós magvető kört olyan befektetőktől, amelyek között volt a UP.Partners is.
A startup már több céggel is együttműködik, köztük a Porsche akkumulátorgyártó leányvállalatával, a Cellforce-szal. A társaság emellett kooperált a Form Energy energiatároló céggel, a japán anyag- és vegyipari gyártó Showa Denkóval (ma Resonac) és a Cuberg akkumulátortechnológiai vállalattal is.
Ez az egész folyamat a cég kívánságlistájával – vagy teljesítményprofiljával – kezdődik az akkumulátorral kapcsolatban. Az Aionics tudósai a mesterséges intelligenciával felgyorsított kvantummechanikát alkalmazva kísérleteket végezhetnek egy meglévő, több milliárd ismert molekulát tartalmazó adatbázison. Ez lehetővé teszi számukra, hogy másodpercenként 10 ezer jelöltet vizsgáljanak meg – mondta Sendek. Ez az MI-modell megtanulja, hogyan lehet megjósolni a következő szimuláció eredményét, és segít kiválasztani a következő molekulajelöltet. Minden egyes futtatáskor több adat keletkezik, és a modell egyre jobban megoldja a problémát.
Az Aionics bizonyos esetekben még egy lépéssel tovább ment, amikor a generatív MI-t is bevonta a folyamatba.
Ahelyett, hogy az ismert molekulák milliárdjaira támaszkodna, az idén elkezdte használni a meglévő akkumulátor-anyagadatokon kiképzett generatív MI-modelleket, hogy új, egy adott alkalmazásra irányuló molekulákat hozzon létre vagy tervezzen meg.
A vállalat a Carnegie Mellon Egyetemen működő Accelerated Computational Electrochemical Systems Discovery programban kifejlesztett szoftverrel turbózza fel az erőfeszítéseit. Venkat Viswanathan, aki a CMU docense volt és vezette ezt a programot, az Aionics társalapítója, vezető kutatója.
Az Aionics az OpenAI GPT 4-re épülő nagy méretű nyelvi modelleket is elkezdte használni, hogy segítsen a tudósainak leszűrni a lehetséges formulák millióit, még mielőtt elkezdenék lefuttatni őket az adatbázisban. Ezt a chatboteszközt, amelyet az Aionics által kiválasztott kémiai tankönyveken és tudományos cikkeken képeztek ki, nem veszik igénybe a tényleges felfedezéshez, de a tudósok felhasználhatják arra, hogy kizárjanak bizonyos molekulákat, amelyek nem lennének hasznosak egy adott alkalmazásban – magyarázta Sendek.
Miután betanították ezeket a tankönyveket, az LLM lehetővé teszi a tudós számára, hogy lekérdezze a modellt. „Ha beszélhetnél a tankönyveddel, mit kérdeznél tőle?” – vetette fel Sendek. Ám gyorsan megjegyezte, hogy ez nem tesz semmi mást, mintha valaki tudományos cikkeket kurátorkodna. „Ez csak egy következő szintű interakciót biztosít” – mondta, hozzátéve, hogy minden ellenőrizhető a chatbot képzéséhez használt forrásokra való visszautalással.
„Szerintem az a jó a mi területünknek, hogy nem konkrét tényeket keresünk, hanem tervezési elveket” – magyarázta a chatbotfunkciót.
Miután a több milliárd jelöltet átvizsgálták és leszűkítették néhányra – vagy a generatív MI-modell segítségével megtervezték –, az Aionics elküldi az ügyfélmintákat validálásra.
„Ha nem jutunk be az első körbe, akkor iterálunk, és néhány klinikai kísérletet is lefuttatunk a bizonyítás érdekében, amíg el nem jutunk a győzteshez” – mondta Sendek. „Ha pedig megtaláltuk a győztest, együttműködünk a gyártópartnereinkkel, hogy az előállítást skálázzuk, és piacra vigyük.” Érdekes módon ezt az eljárást még olyan újszerű területeken is alkalmazzák, mint a cement-előállítás. A Chement, a többek között Viswanathan által alapított és az Aionicsszal is együttműködő startup azon dolgozik, hogy megújuló villamos energiát és nyersanyagokat használjon fel kémiai reakciókhoz, hogy olyan, korábban szennyező gyártási folyamatot tegyen környezetbaráttá, mint például a cementgyártás.
Fotó: Shutterstock
További cikkeinket, elemzéseinket megtalálják a makronom.hu oldalon.