Другий злам у науці? Як Рафаель Гомес-Бомбареллі з MIT веде ШІ до відкриттів

MIT прискорює перегони у застосуванні штучного інтелекту до науки. Професор-асоційований Рафаель Гомес-Бомбареллі, який нещодавно отримав тенюру, переконаний: наука входить у «другий злам» розвитку ШІ. Його команда поєднує фізично обґрунтоване моделювання із генеративним ШІ, аби швидше знаходити матеріали для батарей, каталізаторів, пластикових виробів і OLED-дисплеїв. Паралельно вчений розвиває компанію Lila Sciences, що будує платформу «наукового суперіінтелекту» для біомедичних, хімічних і матеріалознавчих застосувань.

Що змінилося: другий злам ШІ у науці

За словами дослідника, перший «ривок» стався у 2015 році – коли наука взяла на озброєння репрезентаційне навчання, генеративні моделі та великі масиви даних. Сьогодні стартує наступний етап: інтеграція мовних моделей із багатомодальними даними, що дозволяє міркувати одночасно мовою, структурою матеріалів і рецептами синтезу. Водночас великі технологічні гравці – Meta, Microsoft і Google DeepMind – регулярно проводять симуляції, притаманні сучасному матеріалознавству.

Із державного боку курс підтримує ініціатива Genesis Mission Міністерства енергетики США, запущена у листопаді для прискорення відкриттів і підвищення національної безпеки через ШІ. Усе це, на думку вченого, сигналізує: масштабування моделей працює і для симуляцій, і для мови, отже, далі – для науки загалом.

“We’re at a second inflection point.”

“AI for science is one of the most exciting and aspirational uses of AI… AI for science is about bringing a better future forward in time.”

Від лабораторних дослідів до повномасштабних симуляцій

Гомес-Бомбареллі виріс в Іспанії й у 2001 році переміг у національній хімічній олімпіаді. Він здобув ступінь бакалавра та захистив PhD в Університеті Саламанки, де досліджував механізми дії речовин, що пошкоджують ДНК. Посередині дисертації його захопили обчислення – почав відтворювати в комп’ютерних моделях реакції, які вимірював у колбі. Після цього – постдок у Шотландії з квантових ефектів у біології та перехід у 2014 році до Гарварду в групу Алана Аспуру-Гузіка.

У 2015-2016 роках команда однією з перших застосувала глибоке навчання до молекул і генеративний ШІ у хімії. Далі настав курс на автоматизацію: замінили ручну працю в симуляціях високою пропускною здатністю, провівши сотні тисяч розрахунків у різних класах матеріалів і відібравши сотні перспективних кандидатів для тестів.

“I was one of the first people to use generative AI for chemistry in 2016.”

Стартапи, OLED і крок до MIT

Разом з Аспуру-Гузіком учений співзаснував компанію загального призначення з обчислювального відкриття матеріалів, що згодом сфокусувалася на органічних світлодіодах (OLED). Повний перехід у бізнес став найскладнішим етапом його кар’єри, але й дав розуміння, як створювати цінність із обчислювальних підходів. У 2018 році ментор наполіг, аби він подався до Департаменту матеріалознавства та інженерії MIT – і це визначило подальший вектор. Минуло дев’ять років відтоді, як Гомес-Бомбареллі приєднався до MIT, і сьогодні його проєкти охоплюють значно ширше поле, ніж у стартапі.

Лабораторія без колб: швидкість, масштаби, партнерства

Дослідницька група вченого – повністю обчислювальна: жодних фізичних експериментів, зате велика широта тем і паралельних напрямів. Команда поєднує високопродуктивні симуляції з методами глибокого навчання, утворюючи «добродійні цикли», коли симуляції збагачують дані, а алгоритми щоразу стають точнішими. Лаб працює з індустрією через Industrial Liaison Program MIT, щоб краще розуміти потреби ринку й бар’єри комерціалізації.

Колектив налічує близько 25 аспірантів і постдоків і сповідує позитивну, неконкурентну культуру взаємодії. Партнерства з експериментальними групами – ключ до швидкої валідації гіпотез і відсіву ідей, згенерованих ШІ, ще на етапі моделювання. А в індустрії такі інструменти дозволяють зменшувати ризики та скорочувати час до прототипу.

Що це означає для галузі та читачів

Поєднання мовних моделей, структур матеріалів і рецептів синтезу відкриває шлях до загального наукового інтелекту, який може прискорювати відкриття в енергетиці, електроніці, хімічному виробництві й біомедичних застосуваннях. Для бізнесу це означає коротші цикл-тайми, для вчених – швидші перевірки гіпотез, для суспільства – доступ до кращих матеріалів у батареях, каталізі та споживчій електроніці. Своєю чергою Lila Sciences намагається перетворити це бачення на індустріальну платформу – «науковий суперіінтелект» як сервіс.

• Індустрія: швидше R&D і менші витрати на невдалі спроби.
• Академія: масштабовані симуляції для нових класів матеріалів.
• Стартапи: скорочення часу до перших зразків і валідації.