我們的科學播客節目一直在探討 AI 如何徹底改變 STEM 領域，但自推出以來，我們最喜歡的私下話題之一是哪個領域更難加速：數學、生物還是物理？今天，我們將再次回到材料科學領域，探討 Radical AI 的工作。與可以透過符號字串表示（並預測）的生物分子不同，材料的成功涉及更多宏觀複雜變數，例如供應鏈、微觀結構和製造流程。
如果您還記得 2023 年的 LK99 事件，儘管基本成分已知，但部分混亂來自於製造細節的缺乏揭露，進而導致無法重現實驗結果。可能沒有任何「一鍵式」模型能夠設計出完美且可大規模生產的材料。
Joseph Krause 是一位徹頭徹尾的材料科學家。在職業生涯中，他目睹了許多產業因等待更好的材料而停滯不前，因此他創立了 Radical AI 來解決這個問題。
我們最近與 Joseph 進行了訪談，討論 Radical AI、材料探索、自主實驗室以及 AI 科學的未來。Joseph 毫不諱言：加速材料探索流程是一個艱鉅的問題。但他堅信，為了消費產品、航太、運算和國防的未來，我們必須投入資源，讓新材料融入日常應用中。Joseph 表示：「當你拿起手機，裡面有新材料時，我們才算真正實現了一項發現。」
Joseph 計劃如何加速發現速度？要理解這一點，首先必須明白為何這是一個如此困難的問題。首先要記住的是，製造出來的材料遠不止是其化學配方。混合、退火、生長或生成最終材料的過程，可能會導致截然不同的結果。從早期發現到大規模製造的整個材料探索過程，都需要被理解和表徵。
這種理念已成為 Radical AI 的一個關鍵洞察：自主實驗室的建構。這個實驗室不僅僅是自動化，它實際上使用一位「AI 科學家」，結合科學知識、計算技術和人類直覺，在自動化實驗室中生成並測試假設。創建 AI 科學家是讓 Radical 的自主實驗室運作的關鍵，因為 Joseph 認為沒有單一的 AI 模型能夠「一鍵式」地完成材料開發。
「在材料科學中，真實的基礎是材料本身。你必須能夠測試並表徵它。」
Joseph 詳細談論了 Radical 的自主實驗室。他認為實驗數據是這個產業真正的「護城河」。自主實驗室（SDL）作為一個閉環系統運作，其中 AI 科學家生成假設，自動化機器人合成並表徵材料，以並行而非串行的方式進行研究活動。
這些成功體現在自動化和科學兩方面。Radical 已將其合金探索流程擴展到六個月內生產並表徵 1200 種合金，這比 DARPA/GE MACH 計畫一年內創造 500 種新合金的速度快了近 10 倍。Joseph 聲稱他們可以進一步擴大規模，估計每天可以生產並測試表徵一百種新合金，這在高通量合金實驗中開創了真正的全新範式。
在科學方面，他們的 AI 科學家提出了並測試了 300 種新材料，其中 10 種被發現具有新穎的頂尖特性，目前已在進一步開發用於商業應用。這次首次材料研究活動的穩健性，再次印證了 Joseph 關於實驗室和數據是護城河的說法。
「它已經進入了以前從未有人發表過的元素家族或合金家族。」有趣的是，Radical 的 AI 科學家做出了一些新穎的發現，將探索範圍擴展到以前未曾探索過的元素。這從科學角度來看引人入勝，同時對於幫助減少關鍵產業的供應鏈瓶頸也至關重要！
Joseph 在創立 Radical 之前曾在華盛頓特區工作很長時間，他對競爭威脅有著清晰的認識。中國的集中式模式使其能夠迅速建立製造中心，並立即將新材料從實驗室推向生產。我們無法複製這種模式，Joseph 也明確表示我們不應該嘗試。但我們確實需要一個解決方案。對 Joseph 而言，這意味著轉變科學勞動力、在國家實驗室層級投資自主實驗室基礎設施，並大力推動公私合作夥伴關係。
「現在想像一下，美國的每一位科學家都能產出十倍的研究成果。這是根本性的，它將徹底改變發現的軌跡。」
在結束之前，我們要特別感謝 Joseph 和 Radical 開源了他們許多內部工具流程。這包括：TorchSim（預印本、部落格）：一個開源的基於 PyTorch 的分子動力學模擬框架，已獨立成為一個非營利組織。MATRIX/MATRIX-PT（預印本、部落格）：一個用於基準測試自主實驗室的開源數據集（MATRIX），以及一個基於此數據集的開源模型（MATRIX-PT）。
我們可以詳細討論這些，但一個有趣的數據點是，改善材料領域的推理能力也改善了生物系統的推理能力！這是一個真正出乎意料的結果。非常感謝 Radical 團隊分享他們的工作！
材料探索的時程已停滯在 20-30 年的週期長達數代。Joseph 認為這種情況即將改變，而 Radical AI 正在實驗室中，透過一個又一個的樣本來驗證這個論點。