AI a lidská inteligence odemykají skryté znalosti: Urychlí vývoj katalyzátorů pro čistou energii

Nový výzkum z Pokročilého institutu pro materiálový výzkum (WPI-AIMR) na Univerzitě Tohoku ukazuje, jak lze desetiletí roztroušených dat z vědecké literatury přeměnit na výpočetní pravidla pro návrh katalyzátorů.

Nový výzkum z Pokročilého institutu pro materiálový výzkum (WPI-AIMR) na Univerzitě Tohoku ukazuje, jak lze desetiletí roztroušených dat z vědecké literatury přeměnit na výpočetní pravidla pro návrh katalyzátorů. Tento inovativní přístup kombinuje lidskou inteligenci, regresní modely a agenty umělé inteligence, aby výrazně urychlil objev účinných a nízkonákladových katalyzátorů. Tyto katalyzátory jsou klíčové pro technologie čisté energie, jako jsou palivové články, štěpení vody a redukce CO₂. Cílem je odhalit nové objevy, které byly v literatuře dosud skryté.

Katalyzátory, které urychlují chemické reakce, jsou nezbytné pro mnoho důležitých technologií a výrobních procesů. Nalezení správného katalyzátoru je však složité. I když je prvním krokem obvykle odkazování na dříve publikovanou vědeckou literaturu, vytvoření uceleného souhrnu všech těchto dat může být ohromující. Různé studie zkoumající stejný katalyzátor mohou pokrývat odlišné experimentální podmínky a měřit různé proměnné, což ztěžuje srovnání.

„V obrovském množství dosud publikované vědecké literatury o katalyzátorech je nesmírné množství informací,“ uvádí profesor Hao Li z WPI-AIMR. „Ale vzít všechny tyto nesourodé, jednotlivé studie a shrnout je do použitelných informací – například získat plány pro racionální návrh katalyzátorů – je neuvěřitelně obtížné.“

Studie, publikovaná v časopise EES Catalysis, shrnuje tři současné metody pro reorganizaci, opětovnou analýzu a modelování informací „skrytých“ v literatuře. První metodou je využití lidské inteligence k ručnímu shrnutí dat. Druhou je datová analýza, například provedení statistické analýzy zvané regresní model na velkých datech, aby se získalo kvantitativní posouzení charakteristik struktury a výkonu určitého katalyzátoru. Třetí metodou je použití umělé inteligence (AI) k dalšímu posouzení zjištění a navržení nových kandidátních materiálů. Ideálně by vědci měli používat všechny tři metody společně.

„Dělat vše ručně je příliš pomalé, ale spoléhat se pouze na AI bez pečlivé křížové kontroly může být chybné, takže potřebujeme pečlivou rovnováhu,“ říká Li. Opětovná analýza dat z více studií může odhalit nové informace nebo dokonce anomálie, které vyžadují kombinaci lidské inteligence a AI k rozluštění základní teorie, která je vysvětlí. Tímto způsobem mohou i stará data odhalit nové poznatky.

Vývoj systematických metod pro zlepšení výkonu katalyzátorů, jako jsou ty navržené v této práci, je velmi prospěšný pro naši společnost. Mohou vést k rychlejšímu vývoji udržitelných energetických řešení, snížení závislosti na drahých vzácných kovech a pokroku směrem k uhlíkově neutrální společnosti.