AI ma zmierzyć się z pięcioma problemami fizyki materiałów. Nagrody sięgną miliona dolarów
Spis treści
Startup Discovered Materials ogłosił pulę nagród o łącznej wartości 1 miliona dolarów za rozwiązanie pięciu otwartych problemów materiałoznawstwa. Każde wyzwanie wyceniono na 200 tysięcy dolarów. Firma chce w ten sposób sprawdzić, czy modele AI potrafią nie tylko generować hipotezy, lecz także wyjaśniać i przewidywać złożone zjawiska fizyczne ważne dla elektroniki.
Firma, uczestnik wiosennej edycji 2026 programu Y Combinator, rozwija modele pomagające szukać materiałów dla zaawansowanych układów scalonych. Jak wyjaśnił współzałożyciel Advaith Sridhar, w materiałoznawstwie trudniej zdefiniować jednoznaczny test postępu niż w matematyce. Pytanie brzmi nie tylko, czy model poda poprawną odpowiedź, ale też czy jego przewidywania wytrzymają konfrontację z obliczeniami, eksperymentem i pomiarem.
Pięć wyzwań dla modeli AI
Lista powstała z udziałem grupy doradczej złożonej z naukowców z czołowych uczelni. Obejmuje zarówno pytania o podstawy fizyki, jak i problemy związane bezpośrednio z projektowaniem podzespołów:
- teorię wyjaśniającą nadprzewodnictwo w kupratach, czyli materiałach przewodzących prąd bez oporu w bardzo niskich temperaturach,
- metodę numeryczną przewidującą struktury granicy między krzemem a dwutlenkiem krzemu, obecnej w niemal wszystkich półprzewodnikach,
- metodę łączącą strukturę ziaren materiału z jego właściwościami cieplnymi, co może pomóc w projektowaniu wydajniejszego odprowadzania ciepła,
- teorię opisującą, dlaczego światło potrafi zmieniać zachowanie materiałów, także w kontekście nadprzewodnictwa,
- metodę ulepszającą teorię funkcjonału gęstości, jedną z podstawowych technik modelowania struktur atomów i cząsteczek.
To nie są zadania w rodzaju klasycznego benchmarku językowego. W wielu przypadkach poprawność rozwiązania trzeba będzie potwierdzić za pomocą symulacji, danych eksperymentalnych albo nowych pomiarów. Felipe Jornada ze Stanford University, który pomagał formułować wyzwania, podkreślał, że wyjaśnienie obserwowanych zjawisk może przełożyć się na sposób budowania elektroniki, magazynowania energii i produkcji nowych materiałów.
AI w materiałoznawstwie potrzebuje sprawdzianu w świecie fizycznym
Wybór problemów wpisuje się w szerszy kierunek rozwoju materiałoznawstwa obliczeniowego. Amerykańskie instytucje skupione wokół Materials Genome Initiative wskazują, że połączenie baz danych, symulacji, uczenia maszynowego i eksperymentów ma skrócić drogę od pomysłu do użytecznego materiału. Departament Energii USA zwraca jednak uwagę, że nadal trzeba połączyć przewidywanie właściwości z syntezą, charakteryzacją i analizą wyników.
Discovered Materials twierdzi, że przed ogłoszeniem wyzwań uruchamiała zaawansowane modele z dostępem do internetu i innych narzędzi. Agenci pracowali nad każdym problemem przez kilka dni, ale nie doprowadzili do przełomu. To ważne zastrzeżenie: obecna generacja modeli może pomóc przeszukiwać literaturę i przestrzeń możliwych rozwiązań, lecz sama sugestia modelu nie jest jeszcze odkryciem naukowym.
Startup nie zakłada, że rozwiązanie musi powstać w jego laboratorium. Celem konkursu jest wyznaczenie punktów odniesienia, dzięki którym będzie można obserwować, czy AI rzeczywiście robi postępy w materiałoznawstwie. Dla Pcarena.pl najciekawszy jest praktyczny skutek: lepsze modele mogą w przyszłości pomóc projektować materiały dla układów scalonych i skuteczniej radzić sobie z rosnącym problemem odprowadzania ciepła, ale droga od teorii do produkcji nadal wymaga weryfikacji eksperymentalnej.
Źródła
Autor Artykułu
Marek Kasperski
Marek Kasperski - Marek Kasperski to programista–entuzjasta, który po godzinach zanurza się w świecie nowych technologii i sprzętu komputerowego. Na pcarena.pl łączy wiedzę developerską z pasją do PC, pokazując czytelnikom, jak wybrać odpowiednie podzespoły i zoptymalizować sprzęt pod własne projekty. Pisze z perspektywy praktyka, dzięki czemu jego artykuły są jednocześnie techniczne, przystępne i pełne realnych doświadczeń.