
Bergabunglah dengan buletin harian dan mingguan kami untuk mendapatkan pembaruan terkini dan konten eksklusif tentang liputan AI terkemuka di industri. Pelajari Lebih Lanjut
Microsoft Research hari ini memperkenalkan sistem AI baru yang kuat yang menghasilkan material baru dengan sifat spesifik yang diinginkan, yang berpotensi mempercepat pengembangan baterai yang lebih baik, sel surya yang lebih efisien, dan teknologi penting lainnya.
Sistem yang disebut MatterGen ini mewakili perubahan mendasar dalam cara para ilmuwan menemukan material baru. Daripada menyaring jutaan senyawa yang ada – pendekatan tradisional yang dapat memakan waktu bertahun-tahun – MatterGen secara langsung menghasilkan materi baru berdasarkan karakteristik yang diinginkan, serupa dengan cara generator gambar AI membuat gambar dari deskripsi teks.
“Model generatif memberikan paradigma baru untuk desain material dengan secara langsung menghasilkan material yang sepenuhnya baru berdasarkan batasan properti yang diinginkan,” kata Tian Xie, manajer riset utama di Microsoft Research dan penulis utama studi yang dipublikasikan hari ini di Nature. “Ini mewakili kemajuan besar dalam menciptakan model generatif universal untuk desain material.”
Cara kerja mesin AI Microsoft berbeda dari metode tradisional
MatterGen menggunakan jenis AI khusus yang disebut model difusi – mirip dengan generator gambar seperti DALL-E – tetapi diadaptasi untuk bekerja dengan struktur kristal tiga dimensi. Ini secara bertahap menyempurnakan susunan acak atom menjadi bahan yang stabil dan berguna yang memenuhi kriteria tertentu.
Hasilnya melampaui pendekatan sebelumnya. Menurut makalah penelitian tersebut, material yang diproduksi oleh MatterGen “dua kali lebih mungkin untuk menjadi baru dan stabil, dan lebih dari 15 kali mendekati energi minimum lokal” dibandingkan dengan pendekatan AI sebelumnya. Artinya, materi yang dihasilkan lebih mungkin berguna dan secara fisik memungkinkan untuk dibuat.
Dalam satu demonstrasi yang mencolok, tim tersebut berkolaborasi dengan para ilmuwan di Institut Teknologi Canggih Shenzhen Tiongkok untuk mensintesis material baru, TaCr2O6, yang telah dirancang MatterGen. Materi di dunia nyata sangat cocok dengan prediksi AI, sehingga memvalidasi kegunaan praktis sistem.
Aplikasi dunia nyata dapat mengubah penyimpanan energi dan komputasi
Sistem ini terkenal karena fleksibilitasnya. Hal ini dapat “disesuaikan” untuk menghasilkan material dengan sifat spesifik — mulai dari struktur kristal tertentu hingga karakteristik elektronik atau magnetik yang diinginkan. Ini bisa sangat berharga dalam merancang material untuk aplikasi industri tertentu.
Implikasinya bisa sangat luas. Material baru sangat penting untuk memajukan teknologi dalam penyimpanan energi, desain semikonduktor, dan penangkapan karbon. Misalnya, bahan baterai yang lebih baik dapat mempercepat peralihan ke kendaraan listrik, sementara bahan sel surya yang lebih efisien dapat membuat energi terbarukan menjadi lebih hemat biaya.
“Dari sudut pandang industri, potensi di sini sangat besar,” jelas Xie. “Peradaban manusia selalu bergantung pada inovasi material. Jika kita dapat menggunakan AI generatif untuk membuat desain material lebih efisien, hal ini dapat mempercepat kemajuan dalam industri seperti energi, layanan kesehatan, dan lainnya.”
Strategi open source Microsoft bertujuan untuk mempercepat penemuan ilmiah
Microsoft telah merilis kode sumber MatterGen di bawah lisensi sumber terbuka, yang memungkinkan para peneliti di seluruh dunia untuk mengembangkan teknologi tersebut. Langkah ini dapat mempercepat dampak sistem di berbagai bidang ilmu pengetahuan.
Pengembangan MatterGen adalah bagian dari inisiatif AI untuk Sains Microsoft yang lebih luas, yang bertujuan untuk mempercepat penemuan ilmiah menggunakan AI. Proyek ini terintegrasi dengan platform Azure Quantum Elements milik Microsoft, yang berpotensi menjadikan teknologi tersebut dapat diakses oleh bisnis dan peneliti melalui layanan komputasi awan.
Namun, para ahli mengingatkan bahwa meskipun MatterGen mewakili kemajuan yang signifikan, jalur dari material yang dirancang secara komputasional ke aplikasi praktis masih memerlukan pengujian dan penyempurnaan yang ekstensif. Meskipun prediksi sistem menjanjikan, namun memerlukan validasi eksperimental sebelum penerapannya di industri.
Namun demikian, teknologi ini mewakili langkah maju yang signifikan dalam penggunaan AI untuk mempercepat penemuan ilmiah. Seperti yang dikatakan Daniel Zügner, peneliti senior pada proyek ini, “Kami sangat berkomitmen terhadap penelitian yang dapat memberikan dampak positif pada dunia nyata, dan ini hanyalah permulaan.”