5634
Оглядова стаття команди професора Менгхао Яна з Тунцзійського університету, опублікована у журналі ENGINEERING Energy, систематизує роль штучного інтелекту у пришвидшенні відкриття енергетичних матеріалів нового покоління — від класичного машинного навчання до великих мовних моделей.
Традиційна розробка енергетичних матеріалів спиралася на повільний та дорогий метод «спроб і помилок». Дослідники вручну синтезували й тестували сотні сполук, очікуючи на збіг бажаних властивостей. ШІ докорінно змінює цю парадигму, роблячи пошук систематичним, масштабованим і принципово ефективнішим. Це не просто прискорення — це переосмислення самої логіки наукового процесу.
Еволюція підходів розпочалася з класичного машинного навчання («алгоритмів, що навчаються на основі статистичних закономірностей у даних»). Воно здатне передбачати властивості матеріалів на основі накопичених наборів даних, проте залежить від їхньої якості та повноти. Наступним кроком стало навчання представленням («перетворення хімічної інформації на формат, зрозумілий для ШІ»), що дозволило прогнозувати властивості навіть у невідомих хімічних просторах. «Ці методи відкривають шлях до раціонального конструювання матеріалів із наперед заданими властивостями», — зазначає проф. Ян.
Справжньою революцією стала концепція зворотного проєктування («inverse design — підходу, де спочатку задають бажані функції, а ШІ передбачає потрібний склад і структуру»). На відміну від класичного підходу «синтезуй і перевіряй», тут логіка перевертається: алгоритм сам пропонує матеріал під конкретне завдання. Генеративні моделі глибокого навчання здатні пройти крізь мільярди варіантів хімічного простору за лічені години. Це особливо цінно для розробки літій-іонних акумуляторів та електрокаталізаторів.
У сфері електрокаталізу ШІ аналізує поверхневі структури каталізаторів для реакцій виділення водню (HER) та відновлення кисню (ORR), що є ключовими для паливних елементів і зеленої енергетики. Великі мовні моделі (LLM) опрацьовують масиви наукової літератури й патентів, генеруючи нові гіпотези. «Такі моделі функціонують як інтелектуальні співпілоти, поєднуючи людську інтуїцію з обчислювальною точністю», — підкреслюють автори огляду.
Попри прогрес, виклики залишаються: бракує великих стандартизованих наборів даних, а багато алгоритмів критикують за «чорний ящик» («непрозорість внутрішніх рішень»). Відповіддю може стати концепція «лабораторій із самокеруванням» («Self-Driving Laboratories — автоматизованих комплексів, де ШІ керує синтезом, тестуванням і аналізом у замкненому циклі»). Саме вони здатні кардинально прискорити перехід до вуглецево-нейтральної енергетики, забезпечуючи безперервний потік відкриттів без участі людини на кожному етапі.
Ключові факти:
- Огляд опублікований у журналі ENGINEERING Energy (лютий 2026)
- Автори: Мінгсі Цзян, Цзє Чжоу, Янган Ан, Чженжань Лінь та проф. Менгхао Ян — Інститут нової енергії для транспортних засобів, Тунцзійський університет
- Розглянуто еволюцію від класичного ML до генеративних моделей і великих мовних моделей (LLM)
- Ключова концепція: зворотне проєктування — ШІ передбачає склад матеріалу під задані властивості
- Застосування: літій-іонні акумулятори, електрокаталізатори для HER та ORR
- Головний виклик: брак стандартизованих даних та «чорний ящик» алгоритмів
- Перспектива: Self-Driving Laboratories — повністю автоматизовані лабораторії з ШІ-керуванням
- DOI: 10.1007/s11708-026-1053-5
ШІ пришвидшує відкриття матеріалів для нової енергетики з’явилася спочатку на Цікавості.
