1909
Знайти перспективний матеріал на комп’ютері сьогодні часто простіше, ніж реально отримати його в лабораторії. Навіть коли відома потрібна кристалічна структура, хімікам доводиться підбирати прекурсори, температуру, час реакції, тиск і швидкість перемішування методом проб і помилок. Команда Sungkyunkwan University, Ajou University та MIT створила замкнену систему на основі великої мовної моделі, яка не лише пропонує рецепт синтезу, а й змінює його після реального невдалого експерименту.
Спочатку дослідники зібрали базу з 4407 open-access наукових робіт про solid-state synthesis. З кожної статті автоматично витягували цільовий матеріал, прекурсори та параметри процесу — температуру, тиск, тривалість, швидкість обертання й інші умови.
На цій базі побудували систему з retrieval-augmented generation. Коли науковець задає новий матеріал, модель знаходить найбільш схожі приклади в літературі й на їхній основі пропонує конкретну послідовність дій.
Щоб перевірити, чи такі поради мають сенс, запропоновані рецепти порівняли з умовами, які реально були використані в опублікованих експериментах. За ключовими параметрами модель отримувала в середньому близько 4 балів із 5.
Справжня перевірка почалася тоді, коли платформу використали для синтезу нового oxy-selenide-based solid electrolyte для твердотільних батарей. Перший рецепт запропонував 600°C. У лабораторії замість чистого цільового матеріалу утворилося кілька домішкових фаз.
Зазвичай після цього хімік сам вирішує, що змінювати далі. У новій системі невдалий результат повернули моделі як зворотний зв’язок. Вона запропонувала знижувати температуру — спочатку до 450°C, а потім до 400°C.
Після лише кількох ітерацій команді вдалося отримати single-phase material без помітних домішок. Саме ця здатність вчитися не тільки на літературі, а й на свіжих лабораторних результатах відрізняє closed-loop system від звичайного чат-бота з рецептами.
Автори порівнюють принцип із кулінарією: спочатку людина дивиться на схожі рецепти, потім пробує, бачить результат і коригує температуру чи інгредієнти. Різниця в тому, що тут модель працює з тисячами наукових джерел і може систематично шукати комбінації, які людина не перевіряла б першими.
Дослідники не вважають, що така система замінить матеріалознавців. Вона має скоротити кількість невдалих запусків і звільнити час для рішень, де потрібні досвід і фізичне розуміння. У галузях, де один цикл синтезу триває години або дні, навіть кілька зекономлених експериментів можуть суттєво пришвидшити розробку.
https://phys.org/news/2026-08-llm-based-platform-generating-materials.html
