Когато хората си представят технологиите, които ще оформят следващата индустриална ера, те често си представят неща, които са напълно видими – слънчеви паркове, електрически превозни средства, вятърни турбини, фабрики за полупроводници, сателити, роботи или медицински устройства. И все пак много от пробивите, които определят дали тези технологии ще успеят, се случват в мащаби, почти невидими за човешкото око. Те се случват на границите на контакт – където един материал среща друг, пише weforum.
Слънчевата клетка губи ефективност, защото тънък слой се разгражда. Медна връзка в усъвършенствана опаковка на чипове се поврежда, защото не се прилепва достатъчно добре към стъклената основа. Сензор в човешкото тяло корозира, защото защитното му покритие е несъвършено. Това може да звучи като нишови инженерни проблеми. Но не са. Те са пречки в глобалния преход към по-чиста енергия, по-устойчиви вериги за доставки, по-добро здравеопазване и по-модерни технологии.
Светът вече открива, че енергийният преход е и преход към материали. Международната агенция по енергетика показа, че технологиите за чиста енергия, от слънчеви панели и вятърни турбини до електрически превозни средства и съхранение на батерии, изискват широк спектър от минерали и метали.
Предизвикателството е да се произвеждат повече чисти технологии, но те трябва също така да бъдат по-издръжливи, ефективни и ресурсосъобразни.
Решението не може да се крие просто в добива. Светът се нуждае от по-отговорно добиване, рециклиране и кръгови вериги за доставки, но също и от по-добри материали, които могат да правят повече с по-малко.
Как интерфейсните материали могат да подобрят чистите технологии
Тук се намесват интерфейсните материали.
Интерфейсният материал често е изключително тънък, но неговото въздействие може да бъде голямо. Той може да помогне за свързването на две повърхности, да предпази чувствителен компонент от кислород, вода, топлина или корозия, да насочва движението на електрони вътре в устройството и да подпомага транспорта на заряд. Той може да удължи живота на продукта, да намали процента на повреди и да подобри добива на производство. Малък материален слой може да определи дали една голяма технология ще стане практична, достъпна и издръжлива.
Някои от тези материали вече имат имена, познати на учените, макар и все още не на обществеността. Самоорганизиращите се монослоеве, често наричани SAM, са молекулярни слоеве, които се организират върху повърхности и могат да настройват как други материали транспортират заряд или се съпротивляват на разграждането.
Силановите свързващи агенти могат да помогнат за свързването на стъкло, оксиди, полимери и метали, подобрявайки адхезията в електрониката, покритията и опаковките. Ултратънките капсулиращи или бариерни материали могат да предпазят чувствителни устройства от вода, кислород, йони или биологични течности.
Тези материали могат да бъдат измерени в нанометри, но техните последици могат да бъдат измерени в години живот на продукта, процентни точки на ефективност, тонове избегнати отпадъци и милиарди долари производствена стойност. Урокът е, че колкото по-малък е материалът, толкова по-важно е да се разбере системата около него.
Една обещаваща молекула не е достатъчна. Тя трябва да работи върху реален субстрат, да оцелее в реален производствен процес, да остане рентабилна, безопасна и мащабируема и да функционира надеждно във времето. Тази сложност е причината, поради която иновациите в материалите трябва да преминат отвъд бавния метод на проби и грешки.
Защо по-добрата и интегрирана информация е от решаващо значение за иновациите в материалите
Изкуственият интелект може да помогне за компресирането на тази времева линия, но само ако е свързан с физически експерименти. В материалознанието данните често са фрагментирани, непълни или непоследователни.
Модел, обучен върху лоши експериментални данни, няма да даде надеждни отговори сам по себе си. Реалната възможност е да се изградят системи със затворен контур. AI предлага решения, автоматизирани или високопроизводителни системи ги тестват, резултатите се връщат обратно в модела и учените ръководят следващия кръг.
Този подход понякога се описва като „самоуправляваща се лаборатория“. Изследване, публикувано в Nature, показва как автономните лаборатории могат да комбинират изчисления, данни, получени от литературата, машинно обучение, активно обучение и роботика, за да ускорят синтеза на материали.
Тези системи сочат към бъдеще, в което експериментите не са изолирани събития, а част от непрекъснат цикъл на обучение. Истинското пречка обаче не е само моделът на AI. Това е качеството на знанията, които се вливат в него.
Много лаборатории все още записват експерименти като несвързани електронни таблици, записи в тетрадки, изображения и файлове с инструменти. За изкуствения интелект обаче резултатът е полезен само ако е зависим от контекста.
Какъв беше субстратът? Как беше почистен? Каква беше влажността? Коя партида прекурсор е използвана? Какви бяха условията на покритие, времето за сушене, състоянието на оборудването и променливите на околната среда? Без структурирани данни, два експеримента, които изглеждат еднакви на хартия, може да са напълно различни в действителност.
Как можем да ускорим иновациите в интерфейсните материали
Високопроизводителното експериментиране не трябва просто да означава по-бързо извършване на повече експерименти. То трябва да означава проектиране на експерименти, така че всеки един да произвежда многократно използваеми знания. Лабораторията за материали на бъдещето трябва да интегрира молекули, оборудване, данни от процеса и резултати от производителността в единна система за обучение.
Тази затворена система за обучение е очевидна в платформата за откриване на материали с изкуствен интелект на Pheno, където високопроизводителното експериментиране, молекулярен дизайн с изкуствен интелект и структурирани експериментални данни се комбинират в непрекъснат цикъл на обратна връзка.
Молекулите-кандидати могат да бъдат предложени, синтезирани или избрани, тествани в съответните субстрати и условия на процеса и след това оценени чрез данни за производителност и надеждност.
Всеки резултат помага за подобряване на следващия кръг от проектиране, позволявайки интерфейсните материали да бъдат откривани и оптимизирани много по-бързо, отколкото чрез традиционните методи на проба-грешка.
Чрез свързване на дизайна, експериментирането и обратната връзка в един цикъл на обучение, тази система може да съкрати откриването на материали от това, което някога изискваше години изследвания, до само няколко месеца.
По-краткото време за откриване може да помогне за решаването на глобални предизвикателства
За глобалните предизвикателства това е важно по три начина.
По-бързото откриване на материали може да намали натиска върху оскъдните ресурси. Ако нов интерфейсен слой подобри живота на устройството или производствения добив, може да се разхищават по-малко материали.
По-добрите материали могат да направят чистите технологии по-банкови. Инвеститорите, комуналните услуги и клиентите не купуват лабораторни записи; те купуват надеждна производителност в продължение на години.
Платформите за материали, базирани на изкуствен интелект, могат да разширят участието в иновациите. По-стандартизираните данни, модулната автоматизация и споделените методи за тестване биха могли да позволят на повече региони и индустрии да решават локални проблеми с усъвършенствани инструменти.
Следващата фаза на климатичните и индустриалните иновации няма да бъде спечелена само чрез изграждането на по-големи фабрики или добив на повече минерали. Тя ще бъде спечелена и чрез разбиране на невидимите слоеве, които правят технологиите издръжливи.
Ако светът иска по-чиста енергия, по-устойчиво производство и по-приобщаващ технологичен прогрес, трябва да третираме откриването на материали като основна инфраструктура за бъдещето. Пробивите може да са твърде малки, за да се видят, но тяхното въздействие ще бъде изцяло видимо.
