ساخت پایه مواد برای هوش مصنوعی

رونق هوش مصنوعی در حال تبدیل شدن به یک چالش مواد است. همانطور که هوش مصنوعی محاسبات را به قلمرو جدیدی سوق می دهد، مواد پشت آن زیرساخت به اندازه الگوریتم های اجرا شده روی آن حیاتی می شوند. نیمه هادی ها و مراکز داده به محدودیت های فیزیکی در مورد عملکرد، مدیریت حرارتی، راندمان الکتریکی و قابلیت اطمینان نزدیک می شوند و تقاضاهای جدیدی را برای موادی ایجاد می کنند که می توانند کارهای بیشتری را در یک زمان انجام دهند. در عین حال، هوش مصنوعی به دانشمندان مواد راه‌های جدیدی برای جستجوی جهان عظیم مولکول‌های ممکن و تسریع در توسعه راه‌حل‌ها می‌دهد.

برای Mike Finelli، افسر ارشد فناوری و نوآوری و افسر ارشد آمریکای شمالی در Syensqo، این همگرایی آنچه را که مواد پیشرفته می‌توانند امکان‌پذیر کنند، تغییر می‌دهد. او می‌گوید: «هوش مصنوعی اکنون، از نقطه نظر مادی، نیمه‌رساناها و مراکز داده را واقعا به محدودیت‌های فیزیکی خود سوق می‌دهد.

با انباشته شدن الزامات، از جمله دمای بالا، خلوص، عملکرد الکتریکی، مقاومت شیمیایی، مقاومت در برابر پلاسما، و پایداری طولانی مدت، مواد به سمت چیزی حرکت می‌کنند که فینلی آن را «راس هرم» می‌نامد. فراتر از حمایت از نوآوری هوش مصنوعی، او معتقد است که مواد پیشرفته "در واقع به طور فزاینده ای آنچه را که ممکن است مشخص می کند."

این چالش در سرتاسر زیرساختی است که به افزایش هوش مصنوعی کمک می کند. Syensqo در حال توسعه مواد برای معماری‌های مرکز داده با ولتاژ بالا، مواد آب‌بندی پیشرفته برای تولید نیمه‌رساناها، و راه‌حل‌های مدیریت حرارتی از جمله سیالات برای خنک‌سازی مستقیم غوطه‌وری است. برخی از این نوآوری ها می توانند از مرزهای صنعت نیز عبور کنند. به عنوان مثال، موادی که برای وسایل نقلیه الکتریکی تولید شده اند، می توانند به رفع نیازهای ولتاژ و چگالی انرژی بالاتری که در مراکز داده در حال ظهور هستند کمک کنند.

تعریف عملکرد نیز در حال تغییر است. مشتریان بیشتری انتظار دارند که مواد با الزامات فنی مطابقت داشته باشند و در عین حال اثرات زیست محیطی را کاهش دهند. فینلی می‌گوید: «هدف ما حذف تعادل بین عملکرد و پایداری است. این بدان معناست که پایداری را در ابتدای فرآیند تحقیق در نظر بگیریم، به جای اینکه آن را به عنوان یک نیاز اضافی پس از توسعه یک ماده در نظر بگیریم.

هوش مصنوعی نحوه کشف این مواد را نیز تغییر می دهد. Syensqo از عوامل هوش مصنوعی برای سنتز دیجیتالی میلیون‌ها ترکیب مولکولی بالقوه، پیش‌بینی عملکرد و ویژگی‌های پایداری آنها و محدود کردن آنها به گروه بسیار کوچک‌تری برای آزمایش‌های آزمایشگاهی استفاده می‌کند. فینلی می‌گوید نتیجه این است که «عمیق‌تر، عمیق‌تر و سریع‌تر» برویم و در عین حال به دانشمندان زمان بیشتری برای حل مسائل پیچیده مهندسی بدهیم.

با نگاه به آینده، Finelli امکان یک چرخه تقویت‌کننده را می‌بیند: هوش مصنوعی به توسعه موادی کمک می‌کند که زیرساخت‌های هوش مصنوعی را بهبود بخشند، که به نوبه خود هوش مصنوعی بهتری را قادر می‌سازد تا کشف مواد را تسریع بخشد. این حلقه بازخورد می‌تواند چرخه‌ای از نوآوری ایجاد کند و آنچه را که فناوری‌های آینده می‌توانند به دست آورند، گسترش دهد.

فینلی می‌گوید: «شما به این مواد تسریع‌شده، چرخه نوآورانه نوآوری مواد ختم می‌شوید. این واقعا مرا هیجان زده می‌کند و به ما این فرصت را می‌دهد تا به فناوری‌هایی که آینده را شکل می‌دهند ادامه دهیم.»

این قسمت از Business Lab با مشارکت Syensqo تولید شده است.

متن کامل:

مگان تیتوم: از بررسی فناوری MIT، من مگان تیتوم هستم، و این آزمایشگاه تجاری است، نمایشی که به رهبران کسب‌وکار کمک می‌کند فناوری‌های جدیدی را که از آزمایشگاه بیرون می‌آیند و وارد بازار می‌شوند، درک کنند.

این قسمت با مشارکت Syensqo تولید شده است.

اکنون از بسیاری از ما خواسته شده تا عوامل کلیدی پیشرفت هوش مصنوعی را نام ببریم، ممکن است بسیاری از ما الگوریتم‌ها، مراکز داده یا حتی قدرت محاسباتی را فهرست کنیم، اما به همان اندازه که برای عملکرد مهم است، مواد پیشرفته‌ای هستند که زیربنای هر لایه از آن نوآوری هستند. همانطور که هوش مصنوعی به تکامل خود ادامه می دهد، مانند نیمه هادی ها و مراکز داده را به محدودیت های فیزیکی جدید سوق می دهد و فشار جدیدی را بر بخش مواد پیشرفته وارد می کند تا همگام شود. اما رابطه به دو طرف پیش می رود.

همانطور که این بخش با این چالش روبه‌رو می‌شود، هوش مصنوعی نیز به عنوان ابزاری قدرتمند برای تسریع در کشف و توسعه مواد ظاهر می‌شود و به طور قابل توجهی زمان‌بندی توسعه راه‌حل‌های جدید را کوتاه می‌کند.

دو کلمه برای شما: نوآوری در مواد.

مهمان امروز من مایک فینلی، افسر ارشد فناوری و نوآوری و افسر ارشد آمریکای شمالی در Syensqo است.

خوش اومدی مایک

مایک فینلی: متشکرم، مگان. خوشحالم که اینجا هستم

مگان: خیلی ممنون که به ما ملحق شدید. مایک، می‌توانم از شما بخواهم که کمی بیشتر درباره Syensqo و نقشی که در توسعه مواد پیشرفته بازی می‌کند به ما بگویید؟

مایک: بله، قطعا. Syensqo یک رهبر جهانی در مواد تخصصی است. وظیفه ما کمک به مشتریان برای حل سخت ترین چالش های فناوری است. ما به بسیاری از بازارهای مختلف خدمات ارائه می دهیم، اما روشی که می خواهم به سادگی بگویم این است که اگر پرواز کند، ما در آن هستیم. اگر رانندگی کند، ما در آن هستیم. در مراقبت های بهداشتی، محصولات ما به معنای واقعی کلمه هر روز زندگی را نجات می دهند. و اگر دستگاه های تلفن همراه خود را دوست دارید، اگر به هوش مصنوعی علاقه دارید، این محصولات ما هستند که در واقع تراشه های نیمه هادی پیشرفته ای را که برای تولید همه اینها مورد نیاز هستند، فعال می کنند. نقش ما ایجاد نوآوری از طریق شیمی پیشرفته است.

ما موادی را توسعه می‌دهیم که عملکرد بالاتر، قابلیت اطمینان بیشتر و راه‌حل‌های پایدارتر را ارائه می‌دهند. روشی که من این را می گویم، در قلب تجارت ما قرار دارد. در واقع، این به نام ما، Syensqo است. و برای قرار دادن برخی ارقام، 20٪ از درآمد سالانه ما از محصولات و برنامه های جدیدی است که در پنج سال گذشته راه اندازی کرده ایم، که واقعا گواه یک موتور نوآوری واقعا قوی است.

مگان: بله، قطعا. و همانطور که در آنجا توضیح دادید، شما در انواع صنایع مختلف با تاکید بر الکترونیک و نیمه هادی ها هستید. آیا می توانید کمی بیشتر در مورد آن کار و اینکه شاید آن صنایع به کجا می روند صحبت کنید؟

مایک: حتما. بنابراین نگاه کنید، الکترونیک و نیمه هادی ها به معنای واقعی کلمه برای دهه ها بازار استراتژیک Syensqo بوده اند. من نمی‌خواهم با خودم قرار بگذارم، اما 33 سال پیش که در شرکت شروع به کار کردم، نیمه‌رساناها یکی از اولین صنایعی بودند که در آن کار کردم. و ما از موج‌های نوآوری متوالی از فعال کردن دستگاه‌های کوچک‌تر و قدرتمندتر موبایل، کمک به صنعت برای رسیدن به پروفایل‌ها و تراشه‌های کوچک‌تر و کوچک‌تر حمایت کرده‌ایم. ما به پیشرفت اتصال بیش از حد کمک کرده‌ایم و از تولید نیمه‌رساناهای پیچیده‌تر پشتیبانی می‌کنیم. و امروز ما به پیشرفت عصر هوش مصنوعی کمک می کنیم.

ما یکی از گسترده‌ترین مجموعه‌های پلیمری با کارایی بالا و مواد پیشرفته را در صنعت داریم. ما از برنامه های کاربردی در کل زنجیره ارزش الکترونیک، از ساخت نیمه هادی، قطعات الکترونیکی، تا دستگاه های هوشمند و ارتباطات راه دور، حتی اتصال بیش از حد پشتیبانی می کنیم. و مواد ما به مشتریان کمک می‌کنند تا چالش‌های فزاینده‌ای را در مورد کوچک‌سازی، مدیریت حرارتی، عملکرد الکتریکی، مقاومت شیمیایی، خلوص بالاتر و بالاتر و قابلیت اطمینان و پایداری طولانی‌مدت حل کنند.

و امروز ما با تولید کنندگان نیمه هادی و شرکت های الکترونیکی پیشرو در سراسر جهان کار می کنیم.

مگان: فوق العاده است. و همانطور که در 30 سال گذشته به آن اشاره کردید، ما شاهد تحولات عظیمی در آن بخش ها بوده ایم.

مایک: اوه خدای من، بله.

مگان: و اکنون هوش مصنوعی این خواسته های جدید را بر روی نیمه هادی ها و مراکز داده اعمال می کند. این برای موادی که از آنها ساخته شده اند چه معنایی دارد و تا چه اندازه نوآوری هوش مصنوعی با یافتن راه حلی توسط علم مواد محدود یا فعال می شود؟

مایک: بله، منظورم این است که شما کاملا درست می گویید. اما هوش مصنوعی در حال حاضر، از نقطه نظر مادی، نیمه هادی ها و مراکز داده را واقعا به محدودیت های فیزیکی خود سوق می دهد، و مواد در حال تبدیل شدن به یک عامل کلیدی برای این پیشرفت مداوم هستند.

روشی که سعی می کنم آن را توصیف کنم، به یک هرم فکر می کنم، من آن را هرم عملکرد می نامم. شما مواد کالایی در پایین هرم دارید و مواد تخصصی با کارایی بالا در بالای هرم دارید. در Syensqo، تنها کاری که انجام می‌دهیم این است که در بالای هرم فعالیت می‌کنیم و به طور مستمر در تلاش هستیم تا با ارائه مواد جدیدتر و جدیدتر و با کارایی بالاتر، بالای آن هرم را بالا ببریم.

حالا ممکن است بگویید، خوب، اما چرا یک مرکز داده یا یک کارخانه تولید نیمه هادی در مقابل چیزی در فضای کالا، به تخصص نیاز ندارد؟ خوب، من آن را اصل و، و، و می نامم. اگر فقط به یک پلیمر یا ماده ای نیاز دارید که بتواند در دمای اتاق روی میز بنشیند و 10 سال آنجا بماند و تغییر نکند، خوب، مواد کالایی زیادی وجود دارد که این کار را انجام می دهند و مشکلی ندارید.

لحظه ای که شروع به اضافه کردن الزامات می کنید، و من آن را و، و می نامم، و بنابراین اگر به پلیمری نیاز دارید که بتواند دمای بالا را تحمل کند و باید خلوص و عملکرد الکتریکی و مقاومت شیمیایی و مقاومت پلاسما را داشته باشد و باید پایداری طولانی مدت داشته باشد، همه اینها و اینها، شروع به حرکت به سمت بالای هرم می کنید.

اکنون آنچه هوش مصنوعی با نیمه‌رساناها انجام می‌دهد، به دلیل سرعتی که در آن پیشرفت می‌کند، به تراشه‌های نیمه‌رسانا و مراکز داده نیاز دارد، تعداد نیازمندی‌ها در حال افزایش تعداد و مواردی است که محدودیت‌های مواد را تحت فشار قرار می‌دهد. اینجاست که ما وارد می‌شویم. و من واقعا معتقدم که مواد پیشرفته، آنها دیگر فقط از نوآوری هوش مصنوعی پشتیبانی نمی‌کنند، ما در واقع به طور فزاینده‌ای در حال تعریف چیزی هستیم که ممکن است.

مگان: درسته. این جذاب است و از نظر مقابله با چالش تمرکز بر روی آن بالای هرم و آن، و، و اصلی که در مورد آن صحبت می‌کنید، آیا می‌توانید از طریق یک یا دو نمونه از آن راه‌حل‌های بالای هرم که ایجاد کرده‌اید یا در حال حاضر روی آن‌ها کار می‌کنید، با ما صحبت کنید؟

مایک: همانطور که گفتم، تمرکز ما بر روی عملکرد بالاتر است، اما همچنین بدون به خطر انداختن قابلیت اطمینان یا ایمنی است. ما پلیمرهای پیشرفته، الاستومرها، سیالات ویژه، سیالات به معنای روان کننده ها و سیالات انتقال حرارت را توسعه می دهیم، و آنها در سراسر فرآیند تولید نیمه هادی ها و همچنین به طور فزاینده ای در زیرساخت های مرکز داده هوش مصنوعی استفاده می شوند. یکی از نمونه‌های کار ما بر روی مواد تخصصی برای مراکز داده هوش مصنوعی نسل بعدی، کاری است که در مورد معماری‌های ولتاژ بالا انجام می‌دهیم.

مراکز داده در حال حرکت به سمت معماری های ولتاژ بالا هستند زیرا می توانند قدرت محاسباتی بیشتری را فراهم کنند و در عین حال بهره وری انرژی را نیز بهبود بخشند. ما می دانیم که این یک مسئله بزرگ برای آن بخش از صنعت است و این معماری های ولتاژ بالا به کاهش و بهبود کارایی انرژی به آنها کمک می کند زیرا تلفات انرژی را کاهش می دهد و در نهایت می توانند به کاهش ردپای محیطی مراکز داده کمک کنند. و ما در حال توسعه مواد جدیدی هستیم که می تواند به آنها کمک کند تا به آنجا برسند.

مثال دیگر مواد آب بندی با کارایی بالا است که در داخل فابرهای نیمه هادی و ابزار ویفر یافت می شود. اگر می توانید تصویر کنید، بسیاری از مردم دیده اند که یک نیمه هادی در طول پردازش چگونه به نظر می رسد. این یک دیسک سیلیکونی بزرگ و بزرگ است که بعدا در تراشه های کوچک کوچکی که وارد رایانه می شوند خرد می شود. اما این ویفر در داخل یک محفظه غول پیکر قرار می گیرد که در آن محیط بسیار شدید، پلاسماهای تهاجمی، مواد شیمیایی واکنش پذیر دارد و به مواد با کارایی بالاتر و بالاتر نیاز دارند.

و تمام مهر و موم هایی که در اطراف آن محفظه قرار دارند تا آن گازها را در محیط داخل نگه دارند، باید بتوانند آن محیط را تحمل کنند. و این چیزی است که ما در حال توسعه هستیم و محدودیت ها را پشت سر می گذاریم. آنها دمای بالاتر، محیط تهاجمی تر با گاز و خلوص کمتر را می خواهند. و این همان چیزی است که ما برای این صنعت در حال توسعه هستیم تا به تراشه بعدی اجازه توسعه و تولید صنعتی را بدهیم.

مگان: آنقدر جذاب است که مردم در چنین چیزی به مهر و موم کمک زیادی نمی کنند. همانطور که می گویید، از نظر عملکرد کاملا حیاتی است. و در توسعه این راه‌حل‌ها، می‌دانم که شما به بازارهای مختلف نیز نگاه کرده‌اید تا ببینید چه چیزی ممکن است در بیش از یک فضا قابل اجرا باشد، و این شامل همپوشانی بین بخش خودرو و مراکز داده است. می توانید کمی بیشتر در مورد آن به ما بگویید؟

مایک: همانطور که قبلا اشاره کردم، مراکز داده در حال تغییر به سمت معماری های ولتاژ بالاتر هستند. این مرکز داده نسل بعدی است که می تواند انرژی کارآمدتری داشته باشد، اما چگالی انرژی بالاتری دارد. چگالی توان افزایش می یابد که باعث افزایش دما می شود. و بسیاری از چالش‌های مادی که در آنجا با آن‌ها مواجه خواهیم بود، قبلا برای صنعت خودروسازی در وسایل نقلیه الکتریکی توسعه داده‌ایم. من به شما یک مثال از یک برنامه کاربردی می زنم. منظورم این است که به یک وسیله نقلیه الکتریکی فکر کنید. نیروگاه در خودروهای الکتریکی دیگر موتور نیست، باتری است.

اینجاست که تمام انرژی در آنجا نشسته است. و هنگامی که شما صد کیلووات انرژی می‌گذارید و آن را از طریق سیم‌ها و از طریق آنچه آنها میله‌های اتوبوس می‌نامند به موتور الکتریکی می‌رسانید، باید خیلی سریع آن ماشین را به سرعت 60 مایل در ساعت برسانید. شما مقدار زیادی انرژی را هدایت می کنید که دما را به طور چشمگیری افزایش می دهد.

و تمام اتصالات الکتریکی در این باس میله ها وجود دارد که یک پلیمر وجود دارد که یک پلیمر عایق با مس در بین همه اتصالات است. این باید آن افزایش دما را تحمل کند، که می تواند بسیار سریع رخ دهد. ما مواد جدیدی را در آنجا توسعه داده‌ایم و آن مواد به این مراکز داده قابل ترجمه خواهند بود، جایی که ولتاژهای بالاتر با چگالی انرژی بالاتری خواهند داشت.

یکی دیگر از کارهایی که ما در خودرو انجام داده ایم، دانش زیادی در زمینه خودرو و نیمه هادی ها در مورد گردش سیال و نحوه استفاده از مواد دی الکتریک برای خنک سازی مستقیم غوطه وری داریم. این چیزی است که برای مراکز داده و مزارع سرور بسیار ارزشمند خواهد بود. استفاده از هوا برای خنک کردن نیمه هادی ها واقعا ناکارآمد و انرژی بر است. اگر می‌توانید آن‌ها را در یک مایع غوطه‌ور کنید، خنک‌کننده مستقیم غوطه‌وری دارید، که بسیار کارآمد است، بنابراین این موضوع دیگری است که ما روی آن کار می‌کنیم.

یکی دیگر از مواردی که ما در خودرو توسعه دادیم که به آن ترجمه خواهد شد، سیستم های ذخیره انرژی باتری است. در داخل باتری، ما یک کلاسور ایجاد کرده‌ایم. این باندر با بالاترین کارایی در بازار است که از کاتد یک باتری لیتیوم یونی استفاده می‌کند و تمام اجزای تشکیل دهنده کار خود را با هم کار می‌کنند تا باتری واقعا 10 سال دوام بیاورد و کار کند. اکنون این به مراکز داده منتقل می‌شود، زیرا آنها بیشتر به سمت انرژی‌های تجدیدپذیر حرکت می‌کنند و باید این سیستم‌های ذخیره‌سازی انرژی را داشته باشند تا بارهای اوج را هموار کنند و قدرت پشتیبان انعطاف‌پذیر را فراهم کنند.

این یکی از کارهایی است که ما انجام می دهیم. با انتقال دانش خود در سراسر بازارها، می‌توانیم راه‌حل‌های جدید مدیریت حرارتی و انرژی جدید را تسریع کنیم و در عین حال از قابلیت اطمینان مورد نیاز زیرساخت‌های هوش مصنوعی نسل بعدی پشتیبانی کنیم.

مگان: فوق العاده است. برنامه های قابل انتقال بسیار زیادی وجود دارد که لزوما به ذهن نمی رسد. و البته این فقط پیشرفت های فنی نیست که باید با آنها مبارزه کنید. امروزه شرکت ها همچنین خواستار توسعه و تولید مواد با مسئولیت بیشتر هستند. پس چگونه پایداری فرآیند نوآوری شما را شکل می دهد؟

مایک: بله، کاملا درست می گویید. من می گویم اجرا هنوز هم بلیط ورودی است. مشتریان ما عملکرد می خواهند. اکنون آنچه در حال تغییر است این است که تعریف عملکرد اکنون گسترده‌تر شده است و شامل اهداف و الزامات پایداری می‌شود. مشتریان ما از موادی انتظار دارند که عملکرد فنی فوق‌العاده‌ای را ارائه دهند و در عین حال با مسئولیت‌پذیری بیشتری توسعه یافته و تولید شوند.

در Syensqo، ما معتقدیم که فعالیت به عنوان یک شرکت مسئول به این معنی است که راه حل های تجاری پایدار واقعی را به مشتریان خود ارائه می دهیم. و به همین دلیل است که ما چیزی را توسعه دادیم که ما آن را ابزار مدیریت پورتفولیو پایدار، SPM می نامیم. این یک ماتریس است و مشخص می کند که یک راه حل پایدار چیست. برای ما، این محصولی است که در یک برنامه خاص عملکرد اجتماعی و زیست محیطی محصول ما را بهبود می بخشد و در عین حال تأثیر زیست محیطی کمتری در تولید آن نشان می دهد و ارزش هایی را برای مشتریان ما ایجاد می کند. به طور خلاصه، ما می خواهیم محصولاتی را توسعه دهیم و از اینجا شروع می شود.

هر یک از پروژه های تحقیقاتی ما قبل از شروع آنها در مورد اینکه آیا محصولی پایدار خواهد بود یا خیر ارزیابی می شود.

و 88 درصد از سبد ما در حال حاضر یک محصول پایدار است. ما در حال توسعه موادی هستیم که برای محیط زیست بهتر هستند، در هنگام تولید اثر محیطی کمتری دارند، اما همچنین به بهبود مشتریان ما کمک می کنند تا بتوانند با ردپای کربن کمتری کار کنند یا بتوانند به روش ایمن تر یا مصرف آب کمتری کار کنند. تعداد زیادی لیست مختلف در آنجا وجود دارد.

مثال دیگر توسعه طولانی مدت سیالات انتقال حرارت نسل بعدی ما است. تولید نیمه هادی ها و مراکز داده قدرتمندتر شده اند. من قبل از گرمایی که آنها تولید می کنند، اشاره کردم، به خصوص زمانی که به معماری های ولتاژ بالاتر می روند. مدیریت آن گرما بسیار مهم است. و دوباره در مورد خنک کننده غوطه ور مستقیم صحبت کردم. ما در حال توسعه آن راه‌حل‌ها هستیم، زیرا امروز مایعاتی وجود دارد که کار می‌کنند، اما گرمایش زمین بالا بود. این برای محیط زیست خوب نیست.

ما در حال توسعه سیالات انتقال حرارت نسل بعدی هستیم که تاثیرات محیطی بالقوه را در مقایسه با سیالات امروزی کاهش می دهد. در پایان، هدف ما حذف مبادله بین عملکرد و پایداری است. متوجه می‌شوید که این چیز دیگری است و ما می‌توانیم عملکرد و پایداری داشته باشیم.

مگان: این خیلی مهم است، اینطور نیست که به پایداری از نظر عملکرد فکر کنیم؟ همانطور که شما می گویید، زمانی که ما به افزایش تجاری این راه حل ها فکر می کنیم، بخش مهمی از آن است. و همانطور که در مقدمه در مورد آن صحبت کردم، هوش مصنوعی نه تنها یک چالش است، بلکه یک فرصت در فضای مواد پیشرفته است. من دوست دارم نحوه استفاده شما از ابزارهای هوش مصنوعی در Syensqo را برای اطلاع رسانی و تسریع در توسعه راه حل ها بررسی کنم.

مایک: قطعا. ما این سفر را حدود دو سال پیش آغاز کردیم، جایی که از هوش مصنوعی در تحقیق و توسعه خود استفاده می‌کنیم، و با مایکروسافت و ابزار کشف مایکروسافت آن‌ها همکاری کرده‌ایم، و این به ما کمک می‌کند تا به سرعت نامزدهای مولکولی امیدوارکننده را شناسایی و ارزیابی کنیم.

اکنون، در رویکرد تحقیقاتی معمولی، از نظر تاریخی، آزمایش خود را طراحی می‌کنید و به تمام ترکیب‌های بالقوه مواد و مواد شیمیایی که می‌توانید همه این مولکول‌های مختلف بسازید، نگاه می‌کنید. و ترکیب پتانسیل و مولکول‌هایی که می‌توانید برای حل یک مشکل ایجاد کنید می‌تواند میلیون‌ها باشد، اما غیرممکن است که یک میلیون مولکول یا ده‌ها میلیون مولکول را در آزمایشگاه خود بسازید و در واقع به صورت فیزیکی این کار را انجام دهید.

اما شما باید یک منطقه کوچک را بر اساس تخصص و دانش خود، بر اساس جستجوهای ادبیات، بر اساس وضعیت هنری موجود و نگاه کردن به اختراعات و غیره انتخاب کنید. و یک منطقه کوچک را انتخاب می‌کنید و مراحل را طی می‌کنید، مواد را توسعه می‌دهید، آنها را آزمایش می‌کنید، چیزی یاد می‌گیرید، به تخته طراحی برمی‌گردید، دوباره شروع می‌کنید. در نهایت چیزی را پیدا می کنید که کار می کند، اما این بدان معنا نیست که بهترین ترکیب ممکن را پیدا کرده اید.

اما کاری که ما با هوش مصنوعی انجام می دهیم این است که عوامل هوش مصنوعی را با مایکروسافت توسعه داده ایم که به معنای واقعی کلمه به صورت دیجیتالی کل میلیون ها و میلیون ها ترکیب مولکول های بالقوه را سنتز می کنند. و ما عامل‌های هوش مصنوعی دیگری داریم که از شبیه‌سازی مبتنی بر فیزیک برای مشاهده همه آن مولکول‌ها و پیش‌بینی عملکرد آن‌ها، و نه فقط عملکرد روی خواص شیمیایی فیزیکی، بلکه در مورد سمیت، پایداری و غیره استفاده می‌کنند. سپس ما نماینده دیگری داریم که تمام آن اطلاعات را می گیرد و همه آنها را رتبه بندی می کند. در پایان، ما تمام مولکول‌های بالقوه را در آنجا کشف کرده‌ایم.

ما تقریبا درک می‌کنیم که عملکرد باید چگونه باشد، و در نهایت به یک لیست اولویتی می‌رسیم که شاید صدها، به جای میلیون‌ها و میلیون‌ها، صد موردی که در واقع در آزمایشگاه سنتز می‌کنیم.