# Материальный прогресс: как Orbital Materials обучает ИИ научной интуиции и решает загадки биологии Источник: https://www.youtube.com/watch?v=eVlXEJhCRvo Канал: The Cognitive Revolution Опубликовано: 22.01.2025 --- 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» [[JUMP:05:14]] Джонатан подчеркивает, что материаловедение — это основа буквально каждого аспекта современной жизни [5:53]. 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 [6:45]. Без них невозможно дальнейшее увеличение плотности транзисторов и развитие ИИ [7:13]. * **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 [8:44]. * **Будущее:** По мнению Джонатана, для колонизации Марса потребуются новые сплавы для космических кораблей, а для развития дополненной реальности — продвинутые оптические материалы [7:54]. Тим отмечает, что сегодня материаловедение находится в фазе перехода от интуитивного «ремесла» к точной инженерии [10:43]. 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 [11:07]. Цель Orbital Materials — довести проектирование материалов до такой же предсказуемости [11:34]. ## 🧠 «Интуитивная физика»: как ИИ находит короткие пути в науке [[JUMP: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 [16:03]. Основные тезисы об «интуиции» ИИ: 1. **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 [17:23]. 2. **Эффект «спортсмена»:** По аналогии с футболистом, который ловит мяч, не решая дифференциальных уравнений траектории, ИИ-модели вырабатывают «чувство» физических взаимодействий [19:03]. 3. **Универсальность:** Те же архитектуры, которые предсказывают погоду или сворачивание белков, применимы и к кристаллическим структурам [17:09]. 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 [18:57]. ## 🧪 Технологический стек Orbital Materials: Linus и Orb [[JUMP: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 [49:15]. * **Отсутствие позиционного кодирования:** Это позволяет моделям масштабироваться на системы любого размера, ограниченные только памятью GPU, в отличие от LLM с их фиксированным контекстным окном [1:22:13]. * **Обучение на малых данных:** Невероятным открытием стало то, что модель, обученная на крошечных кристаллах (всего по 20 атомов), способна успешно симулировать огромные белковые структуры [34:21]. ## 🔬 Прорыв в биологии: загадка калиевого канала [[JUMP:1:04:33]] Тим представил результаты работы по моделированию калиевого ионного канала — критически важного белка, управляющего электрическими сигналами в клетках организма (сердцебиение, работа мозга) [1:05:11]. Десятилетиями ученые спорили, проходят ли молекулы воды через этот канал вместе с ионами калия [1:06:56]. Результаты симуляции с помощью модели Orb: 1. **Новый механизм:** ИИ показал, что специфическая гидроксильная группа в белке буквально «захватывает» молекулы воды и затягивает их в канал [1:13:19]. 2. **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 [1:13:44]. 3. **Медицинское значение:** Многие болезни сердца (синдром удлиненного интервала QT) связаны с мутациями в этих каналах. Понимание их работы позволит создавать лекарства, восстанавливающие функции каналов [1:14:10]. Поразительно, что эта сложнейшая симуляция была выполнена Тимом на одной видеокарте NVIDIA V100, в то время как традиционные методы потребовали бы суперкомпьютера [1:18:37]. ## 🌍 Борьба с климатическим кризисом и дата-центры [[JUMP: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 [1:24:15]. * **Сотрудничество с AWS:** Совместно с Amazon компания пилотирует новый пористый материал для захвата CO2 [1:25:13]. * **Индивидуальный дизайн:** Материал спроектирован как «губка» с активными центрами, которые избирательно поглощают углекислый газ, используя отработанное тепло и воздушные потоки дата-центра [1:26:42]. Джонатан подчеркивает, что разработка такого материала обычно занимает долгие годы, но ИИ позволил пройти путь от идеи до прототипа в разы быстрее [1:27:09]. ## 📉 Обратная сторона прогресса: удовлетворенность ученых [[JUMP: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% [1:31:03]. Однако 82% ученых сообщили о снижении удовлетворенности работой [1:31:45]. Причины деградации удовлетворенности: * **Роль «проверяющего»:** Ученые перестают быть «генераторами идей» и превращаются в руки, которые лишь валидируют идеи ИИ [1:31:58]. * **Смерть креативности:** Тим признает, что ИИ заменяет многолетнюю интуицию, которую ученые пестовали всю жизнь, что может быть болезненным [1:33:42]. * **Дороговизна экспериментов:** В самом ИИ-исследовании ученые часто не могут проверить свои гипотезы, так как это требует огромных вычислительных ресурсов, доступных только корпорациям [1:34:21]. 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 [1:35:41].