Поиск новых материалов часто требует сотен попыток с разными химическими составами, но учёные из Университета штата Пенсильвания решили передать часть перебора искусственному интеллекту. Языковая модель предложила состав безсвинцовой пьезокерамики, специалисты отобрали перспективный вариант, изготовили образец в лаборатории и получили материал с высокой способностью превращать механические колебания в электрический заряд.
Работа опубликована в Nature Communications. Исследователи использовали Claude 3.5 Sonnet для поиска перспективных составов на основе ниобата калия-натрия, или KNN. Материалы семейства KNN рассматривают как одну из наиболее перспективных безсвинцовых альтернатив пьезокерамике PZT, широко применяемой в датчиках, преобразователях, исполнительных механизмах и другой электронике.
Описание подхода как ИИ, который «прочитал десятилетия научных работ», требует важного уточнения. Учёные не загрузили в Claude сотни публикаций и не поручили модели самостоятельно провести научное исследование. В эксперименте Claude получил 10 тщательно отобранных примеров известных составов KNN вместе с измеренными пьезоэлектрическими характеристиками. Большая языковая модель использовала заложенные при обучении закономерности и предоставленные примеры для поиска новых комбинаций. Авторы отдельно отмечают, что состав обучающих данных коммерческих моделей закрыт, поэтому определить объём научной литературы, реально представленной в знаниях Claude, невозможно.
Команда задала модели ограничения по химическому составу, электрической нейтральности и структуре материала, после чего применила семь разных стратегий генерации. Claude предложил 147 уникальных составов. Полностью доверять результатам учёные не стали: часть вариантов нарушала стехиометрию или баланс зарядов, поэтому каждый кандидат проходил проверку специалистами по физике и химии материалов. Подход human-in-the-loop оставлял нейросети перебор огромного пространства комбинаций, а окончательное решение принимали исследователи.
Для лабораторного эксперимента команда выбрала сложный состав KNN-BNKZT-SCZ. После синтеза пьезоэлектрический коэффициент d33 достиг примерно 440-500 пКл/Н против около 160 пКл/Н у базовой керамики KNN. Иными словами, новый состав давал примерно втрое более сильный электрический отклик при сопоставимом механическом воздействии. Прогноз модели составлял около 660 пКл/Н, поэтому лабораторный результат оказался ниже расчётного. Авторы связывают разницу с размером и распределением зёрен, фазовым составом, плотностью и химической однородностью реального образца.
Следующий прирост обеспечили уже специалисты. Исследователи применили кристаллографическое текстурирование, выстроив зёрна керамики преимущественно в одном направлении, а также оптимизировали процесс спекания. Степень текстурирования достигла примерно 97,3%, а коэффициент d33 вырос до 620 пКл/Н. Материал сохранял устойчивые электромеханические характеристики при нагреве до 160 °C.
Лабораторными измерениями работа не ограничилась. Новую керамику встроили в магнито-механо-электрический генератор, превращающий механические и магнитные воздействия в электрическую энергию. Устройство достигло плотности мощности около 705 мкВт/см³ и превзошло нетекстурированный вариант, показавший около 1 мкВт/см³. Подобные генераторы рассматривают прежде всего как автономные источники питания для маломощных беспроводных датчиков, систем мониторинга конструкций и устройств интернета вещей.
Главный результат работы связан не только с характеристиками конкретной керамики. Эксперимент показывает практическую схему поиска материалов, где языковая модель быстро предлагает десятки химических комбинаций, а специалисты отбраковывают физически бессмысленные варианты, проводят синтез и корректируют структуру материала. Авторы считают, что подобное разделение задач может сократить количество дорогостоящих лабораторных проб при разработке пьезокерамики и других функциональных материалов, не передавая нейросети окончательные научные решения.