ldura în electricitate. Ei au propus o tehnică bazată pe PINN, capabilă să estimeze indicatori cheie precum conductivitatea termică și coeficientul Seebeck, extrăgând informații dintr-un număr minimal de măsurători. Acest lucru reprezintă un salt uriaș în înțelegerea și utilizarea acestor materiale emergente, promițând eficiență și inovație în domeniul energetic.
Generalizarea Predicțiilor AI
O inovație semnificativă adusă de echipă este modelul Physics-Informed Neural Operator (PINO), care permite AI-ului să înțeleagă legile fizicii și să generalizeze aceste cunoștințe pentru a analiza materiale necunoscute, fără a necesita o recalibrare constantă. Aceasta înseamnă că, după ce sistemul a fost instruit pe un set de 20 de materiale, acesta a fost capabil să prezică cu o acuratețe impresionantă proprietățile a 60 de materiale complet noi. O asemenea capacitate sugerează că, în viitor, evaluarea rapidă a unor candidați în numeroase industrii va deveni standard.
Impact Asupra Varietății Industriale
Aceste progrese nu doar că redefinească modul în care sunt descoperite materialele, dar și indică un viitor în care eficiența experimentală va fi maximizată, fără a compromite fiabilitatea. Profesorul Ryu subliniază importanța integrării AI-ului capabil să integreze legile fizice în cercetarea materialelor, ceea ce deschide noi oportunități în diverse domenii ale ingineriei.
Cercetările în continuare se prezintă sub forma a două lucrări semnificative, care explorează aplicații și dezvoltări inovatoare în descoperirea de noi materiale. Aceste studii nu sunt doar teoretice; ele oferă o bază solidă pentru practicile industriale viitoare, influențând, fără îndoială, cum construim și utilizăm materiale în următoarele decenii.
