A Microsoft Discovery negatív eredményekből tanult akkumulátor-anyagot tervezni

Organikus alternatívát keresnek a vanádium kiváltására

A Microsoft a Build 2026 rendezvényen emelte ki, hogy a Microsoft Discovery egy új, organikus helyettesítő jelöltet tervezett, amelynek célja a hálózati energiatárolásban használt, kritikus ásványnak számító vanádiumtól való függés csökkentése. A mostani blogbejegyzés ennek a munkának a módszertanát részletezi.

A bemutatott rendszer AI-t, számításos gépi tanulási modelleket és laboratóriumi visszacsatolást kapcsolt össze egy zárt hurkú felfedezési folyamatban. A Microsoft szerint a Discovery Engine CLIO móddal, valamint a GraphRAG-re épülő Discovery Bookshelf segítségével fejlesztett tovább egy benzo[c]cinnoline vázat.

A munkában a Microsoft partnerei a Yale Engineering, a Canam Bioresearch és a Pacific Northwest National Laboratory, röviden PNNL voltak. A cél egy új organikus negolit megtervezése volt. A redox flow akkumulátoroknál a negolit az a folyadékoldali komponens, amely a negatív oldali elektrokémiai folyamatokban vesz részt.

A sikertelen utak is bekerültek a rendszer memóriájába

A Microsoft szerint a tudományos publikációkat gyakran a pozitív eredmények felé torzító hatás alakítja, miközben a kutatás nagy része sikertelen próbálkozásokból áll. A vállalat érvelése szerint ezek a negatív eredmények is értékes információt hordoznak, különösen akkor, ha számításos előrejelzések eltérnek a laboratóriumi valóságtól.

A Discovery Bookshelf szerepe az volt, hogy a jelölt molekulákon túl megőrizze a hipotézisek, bizonyítékok, előrejelzések, mért kimenetek, ellentmondások, indoklások és bizalmi szintek kapcsolatát az időben. A Microsoft ezt tudományos állapotmechanizmusnak nevezi: a rendszer nem csak az ígéretes eredményeket tartja nyilván, hanem a zsákutcákat is.

A blog szerint ez azért fontos, mert hosszabb kutatási feladatoknál az ügynökök kontextusablakának tömörítése információvesztéssel járhat. Ha a negatív eredmények jegyzetekben, jelentésekben, beszélgetésekben és intézményi emlékezetben szóródnak szét, a későbbi döntések kevésbé tudnak építeni rájuk.

Három körben alakult a molekulatervezési kampány

A Discovery Engine a Microsoft leírása szerint három körbe szervezte a molekulatervezési feladatot. Az első és a második kör főként feltáró jellegű volt: a rendszer különféle molekuláris módosításokat javasolt a benzo[c]cinnoline váz viselkedésének megértésére.

A cél kettős volt. Egyrészt a legjobb jelölt megtalálása, másrészt annak empirikus feltérképezése, hogy a szerkezeti változtatások miként hatnak a célzott tulajdonságokra. A blog a mért oldhatósági és redoxpotenciál-eredményeket említi, köztük túlnyomórészt negatív eredményeket, amelyek bekerültek a Discovery Bookshelfbe, és befolyásolták a következő tervezési ciklust.

A második körben a CLIO móddal futó párhuzamos feltárások egyike sem eredményezett továbbvihető jelöltet. A Microsoft mégis tudományosan hasznosnak nevezi ezt a szakaszt, mert feltárta az eszközök korlátait, és olyan bizonyítékokat őrzött meg, amelyek a következő körben már irányították a keresést. A harmadik körben a hat feltárásból négy sikeres lett a vállalat beszámolója szerint.

A rendszer nem eldobta, hanem újrasúlyozta a pontatlan előrejelzőt

A megőrzött eredmények azt is megmutatták, miért kellett változtatni a harmadik kör munkafolyamatán. A Microsoft szerint a Discovery Engine a tulajdonság-előrejelzőt összevetette a korlátozott kísérleti bizonyítékokkal, és rendszerszintű eltérést azonosított: a redoxpotenciál-előrejelző számszerűen nem volt pontos, de az anyagjelöltek rangsorolásában irányhelyesen használható maradt.

Ennek következményeként a Discovery Engine nem pontos becslésként kezelte az előrejelzett értékeket, hanem relatív jelként, amely segít a jelöltek sorrendjének kialakításában. A Microsoft szerint a kiinduló jelölt, az eszközök, a számítási kapacitás és a probléma peremfeltételei nem változtak a második és a harmadik kör között. Ami változott, az a felhalmozott bizonyítékok értelmezése és a jelöltopciók elemzésének munkafolyamata volt.

Mit jelent ez a kutatóknak és a piacnak

A Microsoft szerint a példa azt jelzi, hogy a tudományos AI-ban már nem az ötletek előállítása az elsődleges szűk keresztmetszet. A generatív modellek sok, kémiailag hihető vegyületet tudnak javasolni, számításos előrejelzőkkel becsülhetnek tulajdonságokat, például redoxpotenciált, oldhatóságot vagy szintetizálhatóságot, és kísérleti eredményeket is értelmezhetnek.

A nehezebb feladat a modellek összehangolása a tudományos célokkal: a számítógépes és laboratóriumi kísérletek ütemezése, a kudarcok felhasználása a következő keresési irányokhoz, valamint a döntések során keletkező tudás tartós felhalmozása. A Microsoft állítása szerint a Discovery Bookshelf ebben a negatív eredményeket is újrahasznosítható szervezeti tudássá alakíthatja.

A hálózati energiatárolás szempontjából a bejelentés jelentősége abban áll, hogy a vállalat egy vanádiumfüggőség csökkentését célzó organikus jelölt megtervezését és laboratóriumi méréses validálását kapcsolta össze AI-alapú, zárt hurkú kutatási folyamattal. A forrás nem közöl kereskedelmi bevezetési időpontot, árat vagy teljesítményadatot.