Malzeme bilimi alanında, özellikle kuantum spin sıvıları ve nadir özelliklere sahip manyetik materyaller gibi yapılar keşfetmek geleneksel yöntemlerde oldukça zaman alıcıdır. AI modelleri genel olarak stabiliteye odaklanan çözümler üretirken, bu yaklaşım çok sayıda olası yapı arasından tek bir “aranan özellik” taşıyan materyali bulmayı zorlaştırır. SCIGEN, generatif modelin her üretim adımında geometrik sınırlamalar uygulayarak, istenen yapısal kurallara uymayan örnekleri eler. Bu sayede milyonlarca aday arasından daha odaklı ve potansiyel olarak yüksek değerli yapılar elde ediliyor. Örneğin, model Archimedean kafes yapılarıyla uyumlu milyonlarca aday üretti, bunlardan kararlılık testlerinden geçenler seçildi ve deneysel laboratuvar ortamında iki yeni bileşik sentezlendi. Bu bileşiklerden TiPdBi ve TiPbSb, öngörülen manyetik özellikleri laboratuvar testlerinde doğruladı. Bu da SCIGEN yaklaşımının öngörü gücünü destekliyor.
SCIGEN’in başarısı, AI destekli materyal keşif sürecini hem hızlandırma hem de verimliliği artırma potansiyeli sunuyor. Gelecekte, kimyasal, fonksiyonel ve enerji iletim gibi daha karmaşık sınırlamaların da modele entegre edilmesi bekleniyor. Ancak deneysel doğrulama her zaman kritik olacak — AI tahmini ile gerçek sentez ve özellikler arasında uyuşmazlık riski hâlâ var.
AI ile materyal keşfi alanında bu yöntem, sadece daha hızlı değil, daha akıllı keşif süreçlerine kapı aralayabilir.
SCIGEN yaklaşımı, materyal araştırmalarında yapay zekâya duyulan güveni artırabilir.
Kaynak: news.mit