Современный прогресс человечества неразрывно связан с материаловедением — от полупроводников в смартфонах до батарей, питающих «зеленую» энергетику. Однако традиционный процесс открытия новых материалов остается мучительно медленным и во многом полагается на интуицию ученых, оттачиваемую десятилетиями. Компания Orbital Materials стремится радикально ускорить этот процесс, обучая нейросети «интуитивной физике», которая позволяет предсказывать свойства материи и моделировать сложнейшие биологические системы на обычных ноутбуках.
🏗️ Фундамент цивилизации: почему материаловедение — это «настоящий тех» 5:14
Джонатан подчеркивает, что материаловедение — это основа буквально каждого аспекта современной жизни . По его мнению, именно материаловедение было «оригинальным технологическим стартапом», о чем общество часто забывает в эпоху доминирования программного обеспечения.
Ключевые примеры влияния материалов на прогресс:
- Полупроводники: Для создания чипов необходимы специальные «low-k» материалы (диэлектрики с низкой диэлектрической проницаемостью), которые предотвращают утечку тока между микроскопическими дорожками на кремниевой пластине . Без них невозможно дальнейшее увеличение плотности транзисторов и развитие ИИ .
- Энергетический переход: Практически все инструменты борьбы с изменением климата — это проблемы материаловедения. Массовое внедрение батарей и солнечных панелей стало возможным только благодаря прорывам в свойствах конкретных химических соединений .
- Будущее: По мнению Джонатана, для колонизации Марса потребуются новые сплавы для космических кораблей, а для развития дополненной реальности — продвинутые оптические материалы .
Тим отмечает, что сегодня материаловедение находится в фазе перехода от интуитивного «ремесла» к точной инженерии . Он приводит аналогию со строительством мостов: 100 лет назад их строили с огромным запасом прочности из-за отсутствия точных моделей (как Бруклинский мост), тогда как современные мосты проектируются с помощью компьютерного моделирования, где известны нагрузки на каждый болт . Цель Orbital Materials — довести проектирование материалов до такой же предсказуемости .
🧠 «Интуитивная физика»: как ИИ находит короткие пути в науке 15:07
Одной из главных идей дискуссии стала концепция «интуитивной физики». Ведущий и гости сошлись во мнении, что современные нейросети способны обучаться фундаментальным законам природы, не производя при этом прямых вычислений по формулам из учебников .
Основные тезисы об «интуиции» ИИ:
- Сжатие размерности: Тим полагает, что успех ИИ в моделировании физики связан с умением отбрасывать неважную информацию. Вместо того чтобы рассчитывать положение каждого электрона, ИИ фокусируется на ключевых параметрах системы .
- Эффект «спортсмена»: По аналогии с футболистом, который ловит мяч, не решая дифференциальных уравнений траектории, ИИ-модели вырабатывают «чувство» физических взаимодействий .
- Универсальность: Те же архитектуры, которые предсказывают погоду или сворачивание белков, применимы и к кристаллическим структурам .
Джонатан отмечает поразительную компактность этих знаний: модели с несколькими миллиардами параметров способны имитировать динамику воды, отражения света и гравитацию, что раньше требовало колоссальных мощностей для CGI-рендеринга .
🧪 Технологический стек Orbital Materials: Linus и Orb 38:26
В основе работы Orbital Materials лежат две ключевые разработки:
- Linus: Базовая (Foundation) модель, работающая по принципу диффузии. Она позволяет генерировать структуры материалов на основе заданных функциональных свойств (например, «материал с определенной шириной запрещенной зоны») [38:39, 51:27].
- Orb: Модели для симуляции, которые предсказывают силы, действующие на каждый атом. Это позволяет проводить молекулярно-динамические симуляции в тысячи раз быстрее традиционных численных методов [43:03, 51:55].
Технические особенности архитектуры:
- MPNN (Message Passing Neural Networks): В отличие от трансформеров для текста, эти сети учитывают расстояния между атомами как первичные данные .
- Отсутствие позиционного кодирования: Это позволяет моделям масштабироваться на системы любого размера, ограниченные только памятью GPU, в отличие от LLM с их фиксированным контекстным окном .
- Обучение на малых данных: Невероятным открытием стало то, что модель, обученная на крошечных кристаллах (всего по 20 атомов), способна успешно симулировать огромные белковые структуры .
🔬 Прорыв в биологии: загадка калиевого канала 1:04:33
Тим представил результаты работы по моделированию калиевого ионного канала — критически важного белка, управляющего электрическими сигналами в клетках организма (сердцебиение, работа мозга) . Десятилетиями ученые спорили, проходят ли молекулы воды через этот канал вместе с ионами калия .
Результаты симуляции с помощью модели Orb:
- Новый механизм: ИИ показал, что специфическая гидроксильная группа в белке буквально «захватывает» молекулы воды и затягивает их в канал .
- Экспериментальное подтверждение: Хотя работа еще не прошла рецензирование, Тим отмечает, что при удалении этой группы в реальных экспериментах проводимость канала падает на порядок, что подтверждает предсказание модели .
- Медицинское значение: Многие болезни сердца (синдром удлиненного интервала QT) связаны с мутациями в этих каналах. Понимание их работы позволит создавать лекарства, восстанавливающие функции каналов .
Поразительно, что эта сложнейшая симуляция была выполнена Тимом на одной видеокарте NVIDIA V100, в то время как традиционные методы потребовали бы суперкомпьютера .
🌍 Борьба с климатическим кризисом и дата-центры 1:24:00
Orbital Materials фокусируется на двух практических направлениях: устойчивость дата-центров и улавливание углерода (carbon capture).
Проекты компании:
- Материалы для дата-центров: ИИ помогает создавать решения для управления теплоотводом при растущей плотности стоек для чипов AGI .
- Сотрудничество с AWS: Совместно с Amazon компания пилотирует новый пористый материал для захвата CO2 .
- Индивидуальный дизайн: Материал спроектирован как «губка» с активными центрами, которые избирательно поглощают углекислый газ, используя отработанное тепло и воздушные потоки дата-центра .
Джонатан подчеркивает, что разработка такого материала обычно занимает долгие годы, но ИИ позволил пройти путь от идеи до прототипа в разы быстрее .
📉 Обратная сторона прогресса: удовлетворенность ученых 1:30:48
Обсуждая влияние ИИ на профессию ученого, Натан Лабенц процитировал исследование Эйдена Тонера-Роджерса из MIT. Согласно работе, внедрение ИИ привело к росту числа открытий на 44% и патентных заявок на 39% . Однако 82% ученых сообщили о снижении удовлетворенности работой .
Причины деградации удовлетворенности:
- Роль «проверяющего»: Ученые перестают быть «генераторами идей» и превращаются в руки, которые лишь валидируют идеи ИИ .
- Смерть креативности: Тим признает, что ИИ заменяет многолетнюю интуицию, которую ученые пестовали всю жизнь, что может быть болезненным .
- Дороговизна экспериментов: В самом ИИ-исследовании ученые часто не могут проверить свои гипотезы, так как это требует огромных вычислительных ресурсов, доступных только корпорациям .
Несмотря на это, Джонатан считает этот компромисс оправданным. По его мнению, только полная автоматизация научной деятельности позволит человечеству производить больше благ за меньшие деньги и решить глобальные проблемы, такие как изменение климата .
