Naukowcy od dekad poszukują alternatyw, ale tradycyjny proces odkrywania nowych materiałów jest niezwykle czasochłonny. Pojawia się jednak iskra nadziei związana z nowymi narzędziami obliczeniowymi. Badacze z University of New Hampshire wykorzystali zaawansowane algorytmy do przeszukania ogromnego archiwum dotychczasowej wiedzy, a rezultaty ich pracy mogą przyspieszyć poszukiwania w nieoczekiwany sposób.
Jak system AI przeanalizował dziesięciolecia badań naukowych w zaledwie kilka miesięcy?
Zespół pod kierunkiem doktoranta Sumana Itaniego oraz profesora Jiadonga Zanga opracował system sztucznej inteligencji, który działał jak niezwykle wydajny asystent badawczy. Algorytm został wytrenowany do czytania i interpretowania tysięcy artykułów naukowych, automatycznie wyławiając z nich kluczowe dane eksperymentalne. System nie tylko gromadził informacje, ale także poddawał je zaawansowanej analizie za pomocą modeli komputerowych, które symulowały i określały właściwości magnetyczne badanych związków.
Tu kryje się praktyczna magia: większość danych o materiałach istnieje, ale często jest zapisana w sposób niejednorodny. Różne jednostki, inne metody pomiaru, różne warunki (temperatura, ciśnienie, obróbka cieplna), a do tego skróty i żargon specyficzny dla danej subdyscypliny. System, który potrafi nie tylko czytać tekst, ale też wyłuskać parametry i kontekst, jest w tym sensie narzędziem do tłumaczenia nauki na format, którym można sterować obliczeniowo. To trochę jak przejście z notatek w zeszytach do arkusza, który nagle pozwala sortować, filtrować i szukać zależności.
Efektem tej pracy było zidentyfikowanie 25 nieznanych wcześniej materiałów magnetycznych. Co istotne, stworzona przy tej okazji baza danych, nazwana Northeast Materials Database (NEMAD), zawiera informacje o ponad 67 tysiącach różnych materiałów. System AI oceniał nie samo istnienie właściwości magnetycznych, ale też ich praktyczną użyteczność, na przykład sprawdzając, jaką tolerancję cieplną dany związek zachowuje przed utratą swoich cech. Ta ostatnia informacja ma kluczowe znaczenie dla inżynierów projektujących rzeczywiste urządzenia, od silników elektrycznych po zaawansowane systemy przechowywania danych.
Dlaczego uzależnienie od metali ziem rzadkich to wciąż nierozwiązany problem?
Paradoks obecnej sytuacji polega na tym, że choć nazwa sugeruje rzadkość, pierwiastki te są dość powszechne w skorupie ziemskiej. Prawdziwy problem leży w kosztownym, energochłonnym i często szkodliwym dla środowiska procesie ich wydobycia oraz przetwarzania. Dodatkowo, globalny łańcuch dostaw jest silnie skoncentrowany, co rodzi ryzyko geopolityczne i wahania cen. Pomimo że nauka zna wiele związków magnetycznych, żaden dotąd nie dorównał w szerokim zastosowaniu wydajności magnesów opartych na pierwiastkach takich jak neodym czy dysproz.
W praktyce kłopot zaczyna się na poziomie chemii i logistyki: rudy zawierają te pierwiastki rozproszone, w towarzystwie wielu innych składników, a ich rozdzielanie bywa trudne i generuje odpady. Do tego dochodzi fakt, że przemysł potrzebuje materiału o bardzo wysokiej czystości i powtarzalności, inaczej produkcja magnesów staje się loterią. Dlatego temat metali ziem rzadkich to jednocześnie geologia, inżynieria procesu i polityka przemysłowa.
Pomimo że nauka zna wiele związków magnetycznych, żaden dotąd nie dorównał w szerokim zastosowaniu wydajności magnesów opartych na pierwiastkach takich jak neodym czy dysproz. Odkrycie dokonane w New Hampshire, opisane w październiku 2025 roku w czasopiśmie Nature Communications, może stanowić ważny element układanki. Przyspieszenie identyfikacji stabilnych i wydajnych materiałów mogłoby w perspektywie obniżyć koszty kluczowych technologii i zwiększyć bezpieczeństwo surowcowe.
Badania te, finansowane przez amerykański Department of Energy, wyraźnie pokazują, jak poważnie kwestia ta jest traktowana na szczeblu strategicznym. Należy jednak pamiętać, że sama identyfikacja związku to dopiero początek długiej drogi do jego komercjalizacji.
Duże modele językowe znajdują praktyczne zastosowania poza laboratoriami
Ciekawym aspektem całego projektu jest technologia, która go umożliwiła. Wykorzystany przez zespół nowoczesny duży model językowy (LLM) mógłby znaleźć zastosowanie daleko poza sferą materiałoznawstwa. Przykładem może być modernizacja zasobów akademickich, gdzie podobne algorytmy mogłyby automatyzować konwersję starych dokumentów czy skanów do wyszukiwalnego formatu tekstowego. Pokazuje to, jak narzędzia rozwijane pierwotnie w jednej, wąskiej dziedzinie, zyskują potencjał do szerszego, praktycznego wykorzystania.
Zespół z University of New Hampshire patrzy w przyszłość z ostrożnym optymizmem. Połączenie rozbudowanej bazy danych z mocą obliczeniową sztucznej inteligencji rzeczywiście otwiera nowe możliwości w jednym z najtrudniejszych obszarów badań materiałowych. Entuzjazm badaczy jest zrozumiały, ale historia uczy, że przejście od obiecującego odkrycia w laboratorium do tańszej alternatywy dostępnej na rynku bywa żmudne. Kluczowe pytanie brzmi zatem, jak szybko uda się pokonać wyzwania związane z syntezą, skalowaniem produkcji i integracją tych nowych materiałów z istniejącymi technologiami.