ИИ от MIT за минуты создает детальные инструкции синтеза новых материалов

Синтез новых материалов — как приготовление нового блюда, рецепт которого тебе неизвестен. Температура, время обработки, соотношение компонентов и другие факторы могут кардинально изменить свойства конечного продукта. Традиционно ученые полагаются в этом процессе на свою интуицию и метод проб и ошибок, так что процесс поиска идет крайне медленно.

Новая модель под названием DiffSyn использует подход диффузионных моделей, вроде тех, которые применяются для генерации изображений. Ее обучили при помощи более чем 23 000 рецептов синтеза материалов, описанных в научных статьях за последние 50 лет. В процессе обучения в данные добавлялся «шум», а модель училась убирать его, выявляя значимые закономерности. В результате, когда ученый вводит желаемую структуру материала, модель предлагает набор перспективных путей синтеза с конкретными параметрами — по сути, готовый рецепт его получения.

Важным отличием DiffSyn от предыдущих попыток является переход от однозначного соответствия «структура — рецепт» к принципу «одна структура — множество возможных путей синтеза». Это лучше отражает реальность, поскольку один и тот же материал часто можно получить разными способами. Такая гибкость позволила достичь рекордной точности в предсказании путей синтеза для сложного класса материалов — цеолитов, https://news.mit.edu/2026/how-generative-ai-can-help-scienti... MIT News.

В качестве доказательства концепции исследователи использовали предложенные моделью пути синтеза нового цеолита. Последующие испытания показали, что материал обладает улучшенной термической стабильностью и морфологией, перспективной для каталитических применений. При этом модель способна генерировать тысячи вариантов синтеза за считанные минуты, предоставляя экспериментаторам отличную стартовую точку для работы.

В перспективе этот подход может быть расширен на другие классы материалов, такие как металлоорганические каркасы и неорганические твердые тела. Ключевым условием будет наличие высококачественных данных для обучения.

Как отмечают авторы, конечная цель — объединить такие интеллектуальные системы с автономными лабораторными экспериментами, чтобы использовать обратную связь от реальных опытов для дальнейшей оптимизации. Это может радикально ускорить процесс разработки материалов, превратив его из метода проб и ошибок в управляемый, высокопроизводительный процесс.

Британские ученые https://hightech.plus/2026/01/28/naiden-prochnii-3d-material... недавно трехмерный материал, который воспроизводит электропроводящие свойства графена. Вдобавок, он лишен хрупкости, ограничивавшей практическое применение этого уникального материала.