Periodic Labs siktar på AI för vetenskapliga genombrott – från chip till supraledare
Periodic Labs, grundat av Liam Fedus och Ekin Dogus Cubuk (tidigare OpenAI respektive Google DeepMind), vill använda AI för att accelerera vetenskaplig forskning inom material och halvledare. Podden diskuterar hur AI-modeller kan användas för att hitta nya material – exempelvis supraledare – vilket normalt tar decennier med traditionella metoder. Det är ett intressant område just nu: gränsen mellan AI-labb och forskningsinstitut suddas ut i snabb takt.
Djupdykning
Periodic Labs är ett relativt nytt AI-laboratorium som fokuserar på att tillämpa moderna maskininlärningsmetoder på materialvetenskap – ett fält där framsteg historiskt sett tagit decennier att gå från laboratorium till verklig tillämpning. Liam Fedus och Ekin Dogus Cubuk, båda med bakgrund från Google DeepMind, representerar en generation av AI-forskare som tröttnat på att bygga chattbotar och istället vill rikta beräkningskraft mot fysikens hårdaste problem. Rubriken "from Semiconductors to Superconductors" är egentligen en komprimerad beskrivning av hela mänsklighetens energiutmaning: halvledare driver våra datorer, men rumstemperatursupraledare – material som leder elektricitet utan resistans vid normala temperaturer – skulle kunna eliminera de enorma energiförluster som uppstår i elnät, transformatorer och elmotorer världen över. Det de flesta missar i AI-för-vetenskap-hypen är att flaskhalsen sällan är att hitta lovande molekyler eller material i simulering, utan att verifiera dem i verkligheten – syntetisera dem, stabilisera dem, och faktiskt tillverka dem i skala, vilket "Forward Deployed Engineering"-delen av podden antyder att Periodic Labs tar på allvar snarare än att stanna vid datormodeller. Om de lyckas komprimera materialutvecklingscykler från tjugo år till tre, händer saker i energisektorn som ingen klimatmodell just nu räknar med.