ساخت پایه مواد برای AI

رونق AI در حال تبدیل شدن به یک چالش مواد است. همانطور که AI پردازش را به قلمرو جدید سوق می دهد، مواد پشت آن زیرساخت ها به همان اندازه مهم می شوند که الگوریتم ها بر روی آن کار می کنند. نیمه هادی ها و مراکز داده در حال نزدیک شدن به محدودیت های فیزیکی در اطراف عملکرد، مدیریت حرارتی، بهره وری الکتریکی و قابلیت اطمینان، ایجاد خواسته های جدید برای مواد است که می تواند بیشتر در یک زمان انجام دهد. در عین حال، AI به دانشمندان روش های جدیدی برای جستجوی جهان عظیم مولکول های احتمالی و تسریع توسعه راه حل ها می دهد.

برای مایک فاینولی، مدیر ارشد فن آوری و نوآوری و مدیر ارشد آمریکای شمالی در Syensqo، که همگرایی در حال تبدیل آنچه که مواد پیشرفته می توانند فعال کنند. او می گوید: "AI در حال حاضر از نقطه نظر مادی است، واقعا نیمه هادی ها و مراکز داده را به محدودیت های فیزیکی خود فشار می دهد."

همانطور که الزامات جمع آوری می شود، از جمله دمای بالا، خلوص، عملکرد الکتریکی، مقاومت شیمیایی، مقاومت پلاسما و ثبات بلند مدت، مواد به سمت آنچه که Finelli "بالای هرم" نامیده می شود، فراتر از حمایت از نوآوری AI، ادعا می کند که مواد پیشرفته "به طور فزاینده ای تعریف می کنند که چه چیزی ممکن خواهد بود."

این چالش در سراسر قدرت زیرساخت افزایش AI بازی می کند. Syensqo در حال توسعه مواد برای معماری های مرکز داده های ولتاژ بالا، مواد آبریز پیشرفته برای تولید نیمه هادی، و راه حل های مدیریت حرارتی از جمله مایعات برای خنک کننده مستقیم غوطه وری است. برخی از این نوآوری ها همچنین می توانند از مرزهای صنعت عبور کنند. به عنوان مثال، مواد توسعه یافته برای وسایل نقلیه الکتریکی می تواند به پاسخگویی به ولتاژ بالاتر و نیازهای انرژی که در مراکز داده در حال ظهور هستند، کمک کند.

تعریف عملکرد نیز در حال تغییر است. مشتریان بیشتر انتظار دارند مواد برای پاسخگویی به الزامات فنی در حالی که کاهش اثرات زیست محیطی. "هدف ما این است که تجارت بین عملکرد و پایداری را حذف کنیم." این بدان معنی است که با توجه به پایداری در ابتدای فرآیند تحقیق به جای درمان آن به عنوان یک نیاز اضافی، زمانی که یک ماده توسعه یافته است.

AI در حال تغییر است که چگونه این مواد کشف شده است. Syensqo از عوامل AI استفاده می کند تا به صورت دیجیتالی میلیون ها ترکیب مولکولی بالقوه را تولید کند، عملکرد و ویژگی های پایداری خود را پیش بینی کند و آنها را به یک گروه بسیار کوچکتر برای آزمایش آزمایشگاهی محدود کند. نتیجه، فاینالولی می گوید، توانایی رفتن به "بروتر، عمیق تر و سریع تر" در حالی که به دانشمندان زمان بیشتری برای حل مشکلات مهندسی پیچیده می دهد.

با نگاهی به آینده، Finelli امکان یک چرخه تقویت کننده را می بیند: AI به توسعه موادی کمک می کند که زیرساخت های AI را بهبود می بخشد، که به نوبه خود AI بهتر را قادر می سازد تا کشف مواد را تسریع کند. این حلقه بازخورد می تواند یک چرخه نوآوری ایجاد کند و توسعه آنچه فن آوری های آینده می توانند به دست آورند.

"شما در این مواد شتاب یافته، چرخه نوآورانه نوآوری مواد"، می گوید فاینالولی. این واقعا من را هیجان زده می کند و به ما این فرصت را می دهد تا به فناوری های توانمند سازی ادامه دهیم که آینده را شکل خواهند داد.»

این قسمت از آزمایشگاه کسب و کار در همکاری با Syensqo تولید می شود.

رونوشت کامل:

مگان Tatum: از MIT Technology Review، من مگان Tatum هستم و این آزمایشگاه کسب و کار است، این نشان می دهد که به رهبران کسب و کار کمک می کند تا از فن آوری های جدید خارج از آزمایشگاه و به بازار.

این قسمت در همکاری با Syensqo تولید می شود.

در حال حاضر از ما خواسته شده است تا عوامل کلیدی پیشرفت AI را نام ببریم، بسیاری از ما ممکن است الگوریتم ها، مراکز داده یا حتی قدرت محاسباتی را فهرست کنیم، اما درست همانطور که برای عملکرد مهم است، مواد پیشرفته ای هستند که هر لایه از این نوآوری را برجسته می کنند. همانطور که AI همچنان 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 پیشرفته مواد برای سرعت نگه می دارد. اما رابطه هر دو راه می رود. همانطور که بخش به این چالش افزایش می یابد، AI همچنین به عنوان یک ابزار قدرتمند برای سرعت بخشیدن به کشف مواد و توسعه، به طور قابل توجهی کوتاه سازی جدول زمانی توسعه برای راه حل های جدید در حال ظهور است.

دو کلمه برای شما: نوآوری مواد

مهمان امروز من مایک فاینولی، مدیر ارشد فناوری و نوآوری و مدیر ارشد آمریکای شمالی در Syensqo است.

خوش آمدید مایک

مایک فاینولی: ممنون، مگان خوب است که اینجا باشید.

مگان: ممنون از شما برای پیوستن به ما آیا می توانم با پرسیدن سوال از شما شروع کنم تا کمی بیشتر در مورد Syensqo و نقش آن در توسعه مواد پیشرفته به ما بگویم؟

مایک: بله، کاملا. Syensqo یک رهبر جهانی در مواد تخصصی است. کار ما کمک به مشتریان برای حل سخت ترین چالش های تکنولوژی است. ما به بسیاری از بازارهای مختلف خدمت می کنیم، اما راهی که می خواهم 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 زندگی هر روز را نجات می دهند. و اگر شما دستگاه های تلفن همراه خود را دوست دارید، اگر شما AI را دوست دارید، محصولات ما است که در واقع قادر به تولید تراشه های نیمه هادی پیشرفته است که نیاز به تولید همه این. نقش ما این است که نوآوری را از طریق شیمی پیشرفته فعال کنیم. ما مواد را توسعه می دهیم که اجراهای بالاتر، قابلیت اطمینان بیشتر و راه حل های به طور فزاینده پایدارتری را ارائه می دهند. همانطور که می گویم، در قلب کسب و کار ما است. در واقع، این نام ما، Syensqo است. و برای قرار دادن برخی از اعداد در اطراف آن، 20 درصد از درآمد سالانه ما از محصولات و برنامه های جدید است که ما در پنج سال گذشته راه اندازی کرده ایم که واقعا شواهدی از یک موتور نوآوری قوی است.

مگان: بله، کاملا. و همانطور که شما در آن شرح داده شده است، شما در تمام انواع صنایع مختلف با تاکید بر الکترونیک و نیمه هادی. آیا می توانید در مورد این کار کمی بیشتر صحبت کنید و شاید این صنایع به کجا بروند؟

مایک: مطمئنا بنابراین، الکترونیک و نیمه هادی ها بازارهای استراتژیکی برای Syensqo برای دهه ها بوده اند. نمی خواهم خودم را معرفی کنم، اما 33 سال پیش که در شرکت شروع کردم، نیمه هادی ها یکی از اولین صنایعی بودند که در آن کار می کردم. و ما از امواج متوالی نوآوری از فعال کردن دستگاه های تلفن همراه کوچکتر و قدرتمندتر، کمک به صنعت به پروفایل های کوچکتر و کوچکتر و تراشه ها پشتیبانی کرده ایم. ما به پیشرفت hyperconnectivity، حمایت از تولید نیمه هادی به طور فزاینده پیچیده کمک کرده ایم. و امروز ما به پیشرفت عصر AI کمک می کنیم.

ما یکی از گسترده ترین نمونه کارها از پلیمرهای عملکرد بالا و مواد پیشرفته را داریم. ما از برنامه های کاربردی در سراسر زنجیره ارزش الکترونیک از ساخت نیمه هادی، اجزای الکترونیکی، به دستگاه های هوشمند و مخابرات، حتی hyperconnectivity پشتیبانی می کنیم. و مواد ما به مشتریان کمک می کند تا چالش های فزاینده ای را در اطراف مینیاتوراسیون، مدیریت حرارتی، عملکرد الکتریکی، مقاومت شیمیایی، بالاتر و بالاتر، و قابلیت اطمینان بلند مدت و پایداری حل کنند. و امروز ما با سازندگان نیمه هادی و شرکت های الکترونیک پیشرو در سراسر جهان کار می کنیم.

مگان: فوق العاده و همانطور که شما در 30 سال گذشته به آن اشاره کردید، شاهد تکامل های بزرگی در این بخش ها بوده ایم.

خدایا، بله.

مگان: و اکنون AI این خواسته های جدید را در نیمه هادی ها و مراکز داده قرار می دهد. این به معنای موادی است که از آن ساخته شده اند و تا چه حد نوآوری AI محدود یا فعال شده توسط علم مواد پیدا کردن راه حل است؟

مایک: بله، منظورم این است که شما کاملا درست هستید. اما اکنون هوش مصنوعی از نقطه نظر مادی، واقعاً نیمه هادی ها و مراکز داده را به محدودیت های فیزیکی خود سوق می دهد و مواد تبدیل به یک فعال کلیدی از پیشرفت مداوم می شوند.

روشی که سعی می کنم آن را توصیف کنم، به هرم فکر کنم، آن را هرم عملکردی می نامم. شما مواد کالا در پایین هرم دارید و شما مواد تخصصی با عملکرد بالا در بالای هرم دارید. در Syensqo، تنها کاری که ما انجام می دهیم این است که ما در بالای هرم کار می کنیم و ما به طور مداوم سعی می کنیم با آوردن مواد جدیدتر و جدیدتر و بالاتر انجام دهیم.

حالا ممکن است بگویید، خوب، اما چرا یک مرکز داده یا یک تولید نیمه هادی نیاز به تخصص در مقابل چیزی در فضای کالا ندارد؟ من آن را می نامم و اصل و اصل. اگر فقط به یک پلیمر یا ماده ای نیاز دارید که بتواند روی میز در دمای اتاق بنشیند و ۱۰ سال آنجا بماند و تغییر نکند، خوب است که مواد زیادی وجود دارد که این کار را انجام می دهند و شما مشکلی ندارید. لحظه ای که شما شروع به اضافه کردن الزامات می کنید و من آن را می نامم و بنابراین اگر شما به پلیمر نیاز دارید که می تواند دمای بالا را کنترل کند و باید عملکرد الکتریکی و مقاومت شیمیایی و مقاومت پلاسما بالا داشته باشد و باید ثبات طولانی مدت داشته باشد، همه این وها، شما شروع به حرکت به بالای هرم می کنید.

در حال حاضر آنچه AI با نیمه هادی ها انجام می دهد، به دلیل سرعت پیشرفت آن، نیاز به تراشه های نیمه هادی و مراکز داده، تعداد الزامات افزایش تعداد و مواردی است که محدودیت های مواد را فشار می دهد. اینجاست که وارد می شویم. و من واقعا معتقدم که مواد پیشرفته، آنها دیگر فقط از نوآوری AI حمایت نمی کنند، ما در واقع به طور فزاینده ای تعریف می کنیم که چه چیزی ممکن خواهد بود.

مگان: راست این جذاب است. و از نظر افزایش به این چالش تمرکز بر بالای هرم و آن و، و اصولی که شما در مورد آن صحبت می کنید، آیا می توانید ما را از طریق یک مثال یا دو مورد از بهترین راه حل های هرم که ایجاد کرده اید یا در حال کار بر روی لحظه?

مایک: همانطور که گفتم، تمرکز ما قادر به عملکرد بالاتر است، اما همچنین بدون خطر در قابلیت اطمینان یا ایمنی است. ما پلیمرها پیشرفته، elastomers، مایعات ویژه، مایعات به معنی روان کننده و مایعات انتقال گرما را توسعه می دهیم و در طول فرآیند تولید نیمه هادی و همچنین به طور فزاینده ای در زیرساخت های مرکز داده AI استفاده می شود. یک مثال از کار ما در مواد تخصصی برای نسل بعدی مراکز داده هوش مصنوعی، کاری است که ما در اطراف معماری های ولتاژ بالا انجام می دهیم. مراکز داده به سمت معماری ولتاژ بالا حرکت می کنند، زیرا آنها می توانند قدرت محاسباتی بیشتری را در عین حال بهبود بهره وری انرژی را فعال کنند. ما می دانیم که این یک مسئله بزرگ برای این بخش از صنعت است و این معماری های ولتاژ بالا به کاهش و بهبود بهره وری انرژی کمک می کنند زیرا کاهش تلفات انرژی را کاهش می دهد و در نهایت می توانند به کاهش اثرات زیست محیطی مراکز داده کمک کنند. ما در حال توسعه مواد جدید هستیم که می تواند به آنها کمک کند تا به آنجا برسند.

مثال دیگر، مواد آبریزی با عملکرد بالا ما است که در داخل گلدان های نیمه هادی و ابزارfer یافت می شود. اگر می توانید عکس بگیرید، بسیاری از مردم دیده اند که نیمه هادی در طول پردازش چه شکلی است. این یک دیسک بزرگ سیلیکون است که بعد از آن به تراشه های کوچک کوچک که به کامپیوتر می روند، می رود. اما این وقفه در داخل یک اتاق غول پیکر قرار می گیرد که در آن دارای یک محیط بسیار شدید، پلاسماهای تهاجمی، مواد شیمیایی واکنشی است و آنها نیاز به مواد بالاتر و بالاتر دارند. و تمام مهرهایی که در اطراف آن اتاق قرار دارند تا این گازها را در محیط داخل نگه دارند باید قادر به مقاومت در برابر آن محیط باشند. و این چیزی است که ما در حال توسعه هستیم و محدودیت ها را فشار می دهیم. آنها خواستار درجه حرارت بالاتر، محیط تهاجمی تر با کاهش گاز و خلوص هستند. و این چیزی است که ما در حال توسعه برای این صنعت هستیم تا اجازه دهیم تراشه بعدی توسعه یابد و صنعتی شود.

مگان: این خیلی جذاب است که مردم نمی توانند چیزهای زیادی را تحمل کنند، هرچند که لزوما به مهر و موم در چیزی شبیه به آن نیاز دارند. همانطور که اشاره می کنید، فقط از نظر عملکرد کاملا مهم است. و در توسعه این راه حل ها، من درک می کنم که شما همچنین بازارهای مختلف را بررسی کرده اید 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. آیا می توانید کمی بیشتر درباره این موضوع به ما بگویید؟

مایک: همانطور که قبلا اشاره کردم، مراکز داده به معماری ولتاژ بالاتر تبدیل می شوند. این مرکز داده نسل بعدی است که می تواند انرژی بیشتری داشته باشد، اما چگالی انرژی بالاتری دارد. چگالی قدرت افزایش می یابد، که دما را افزایش می دهد. و بسیاری از چالش های مادی که ما با آن مواجه خواهیم شد، ما در حال حاضر برای صنعت خودرو در وسایل نقلیه الکتریکی توسعه یافته ایم. من یک مثال از یک برنامه به شما می دهم. منظورم این است که به یک وسیله نقلیه الکتریکی فکر کنید. نیروگاه در وسایل نقلیه الکتریکی دیگر موتور نیست، بلکه باتری است. این جایی است که تمام انرژی می نشیند. و هنگامی که صد کیلووات انرژی می گذارید، آن را به موتور الکتریکی از طریق سیم ها و از طریق آنچه که میله های اتوبوس می نامند، رانندگی می کنید تا 60 مایل در ساعت بسیار سریع باشد. شما در حال رانندگی مقدار زیادی از انرژی هستید که دمای رو به افزایش است.

و تمام اتصالات الکتریکی در این میله های اتوبوس وجود دارد که یک پلیمر عایق با مس در بین تمام اتصالات وجود دارد. این باید در برابر این افزایش دما مقاومت کند، که می تواند بسیار سریع باشد. ما مواد جدید را در آنجا توسعه داده ایم و این مواد به این مراکز داده منتقل می شوند که در آن آنها ولتاژ بالاتری با چگالی انرژی بالاتر دارند.

چیز دیگری که ما در خودرو انجام داده ایم، ما دانش زیادی در هر دو خودرو و نیمه هادی در اطراف گردش مایع و چگونگی استفاده از مواد دی الکتریک برای انجام خنک کننده مستقیم غوطه ور داریم. این چیزی است که برای مراکز داده و مزارع سرور بسیار ارزشمند خواهد بود. استفاده از هوا برای نیمه هادی های خنک واقعا کارآمد و فشرده انرژی است. اگر شما می توانید آنها را در یک مایع قرار دهید، خنک کننده مستقیم غوطه وری دارید، این بسیار کارآمد است، بنابراین این چیز دیگری است که ما روی آن کار می کنیم.

چیز دیگری که ما در خودرو توسعه داده ایم، سیستم ذخیره سازی انرژی باتری است. در داخل باتری، ما یک اتصال دهنده ایجاد کرده ایم. این بالاترین اتصال در بازار است که از کاتد باتری یون لیتیوم استفاده می کند و تمام مواد تشکیل دهنده را نگه می دارد که کار خود را با هم انجام می دهند تا باتری بتواند در واقع 10 سال دوام داشته باشد. در حال حاضر این به مراکز داده منتقل می شود، زیرا آنها در حال حرکت بیشتر به سمت تجدید پذیر هستند و باید این سیستم های ذخیره سازی انرژی را برای صاف کردن بارهای اوج و ارائه قدرت پشتیبان گیری انعطاف پذیر داشته باشند. این یکی از کارهایی است که ما انجام می دهیم. با انتقال دانش ما در سراسر بازار، ما می توانیم قدرت جدید و راه حل های مدیریت حرارتی جدید را در حالی که پشتیبانی از قابلیت اطمینان مورد نیاز توسط نسل بعدی زیرساخت های AI.

مگان: فوق العاده بنابراین بسیاری از برنامه های قابل انتقال وجود دارد که لزوما به ذهن نمی رسد. و این تنها پیشرفت های فنی نیست که شما باید با آن مقابله کنید. شرکت ها امروز نیز خواستار توسعه و تولید مسئولانه تر هستند. چگونه پایداری فرآیند نوآوری شما را شکل می دهد؟

مایک: بله، شما کاملا درست هستید. من می گویم که عملکرد هنوز بلیط ورودی است. مشتریان ما عملکرد را می خواهند. اکنون آنچه در حال تغییر است این است که تعریف عملکرد در حال حاضر گسترده تر است و از جمله اهداف و الزامات پایداری است. مشتریان ما انتظار دارند موادی که عملکرد فنی فوق العاده ای را ارائه می دهند و همچنین با مسئولیت پذیری بیشتری تولید و توسعه می شوند.

در Syensqo، ما معتقدیم که فعالیت به عنوان یک شرکت مسئول به این معنی است که ما ارائه راه حل های واقعی کسب و کار پایدار برای مشتریان ما. و به همین دلیل ما آنچه را که ابزار مدیریت سبد سرمایه گذاری پایدار، SPM می نامیم، توسعه دادیم. این یک ماتریس است و تعریف می کند که یک راه حل پایدار چیست. برای ما، این یک محصول است که در یک برنامه خاص، عملکرد اجتماعی و زیست محیطی محصول ما را بهبود می بخشد و همچنین نشان دهنده تاثیر زیست محیطی پایین تر در تولید آن، ایجاد ارزش برای مشتریان ما است. به طور خلاصه، ما می خواهیم محصولات را توسعه دهیم و این جایی است که شروع می شود. هر یک از پروژه های تحقیقاتی ما قبل از اینکه آنها را شروع کنیم، ارزیابی می شود که آیا محصول پایدار خواهد بود یا نه.

و 88% از نمونه کارها ما در حال حاضر یک محصول پایدار است. ما در حال توسعه موادی هستیم که برای محیط زیست بهتر هستند، کاهش سطح زیست محیطی در هنگام تولید آن، اما آنها همچنین به بهبود برای مشتریان ما کمک می کنند تا بتوانند با کاهش کربن پایین تر کار کنند یا می توانند به شیوه ای امن تر یا کمتر از مصرف آب عمل کنند. در آنجا لیست های مختلفی وجود دارد.

مثال دیگر توسعه طولانی مدت ما از انتقال حرارت نسل بعدی است. تولید نیمه هادی و مراکز داده قوی تر شده است. من قبل از گرما که آنها تولید می کنند، به ویژه هنگامی که آنها به معماری ولتاژ بالاتر حرکت می کنند، اشاره کردم. مدیریت این گرما به طور فزاینده ای مهم است. و دوباره درباره خنک کننده مستقیم غوطه ور صحبت کردم. ما در حال توسعه این راه حل ها هستیم، زیرا امروز مایعاتی وجود دارد که کار خواهند کرد، اما آنها گرم شدن کره زمین را بالا بردند. این برای محیط خوب نیست. ما در حال توسعه نسل بعدی گرما انتقال مایعات هستیم که تاثیر بالقوه زیست محیطی را در مقایسه با مایعات امروز کاهش می دهد. در پایان، هدف ما حذف تجارت بین عملکرد و پایداری است. شما متوجه می شوید که این یکی دیگر است و ما می توانیم آن را اجرا و پایدار کنیم.

مگان: خیلی مهم است، آیا فکر کردن درباره پایداری از نظر عملکرد مهم نیست؟ همانطور که می گویید، هنگامی که ما در مورد مقیاس تجاری این راه حل ها فکر می کنیم، این بخش مهمی از آن است. و همانطور که من در مورد معرفی صحبت کردم، AI نه تنها یک چالش است، بلکه یک فرصت در فضای پیشرفته مواد است. من دوست دارم کشف کنم که چگونه از ابزارهای AI در Syensqo برای اطلاع رسانی و تسریع توسعه راه حل ها استفاده می کنید.

مایک: کاملا ما این سفر را حدود دو سال پیش آغاز کردیم، جایی که ما از هوش مصنوعی در تحقیق و توسعه خود استفاده می کنیم و با مایکروسافت و ابزار کشف مایکروسافت شریک شده ایم و به ما کمک می کند تا به سرعت کاندیدهای مولکولی را شناسایی و ارزیابی کنیم.

در حال حاضر، در رویکرد تحقیقات طبیعی، شما آزمایش خود را طراحی می کنید و به تمام ترکیبات بالقوه مواد و مواد شیمیایی که می توانید تمام این مولکول های مختلف را ایجاد کنید، نگاه می کنید. و ترکیبات بالقوه و مولکول هایی که می توانید برای حل یک مشکل ایجاد کنید، می تواند در میلیون ها باشد، اما توسعه یک میلیون مولکول یا ده ها میلیون مولکول در آزمایشگاه و در واقع به صورت فیزیکی این کار را غیرممکن است. اما شما باید یک منطقه کوچک را بر اساس تخصص و دانش خود انتخاب کنید، بر اساس جستجوی ادبیات، بر اساس وضعیت هنری که در آن وجود دارد و به ثبت اختراعات، et cetera نگاه کنید. و شما یک منطقه کوچک را انتخاب می کنید و از طریق فرآیند می روید، مواد را توسعه می دهید، آنها را آزمایش می کنید، چیزی یاد می گیرید، به تخته نقاشی برمی گردید، دوباره شروع می کنید. در نهایت شما چیزی پیدا می کنید که کار می کند، اما به این معنی نیست که شما بهترین ترکیب ممکن را پیدا کرده اید.

اما کاری که ما با AI انجام می دهیم این است که ما 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 به اشتراک می گذارند. و ما عوامل AI دیگری داریم که از شبیه سازی مبتنی بر فیزیک برای بررسی تمام این مولکول ها و پیش بینی عملکرد آن ها استفاده می کنند و نه فقط بر خواص شیمیایی فیزیکی، بلکه در مورد سمیت، پایداری و غیره نیز عمل می کنند. سپس ما یک عامل دیگر داریم که تمام این اطلاعات را می گیرد و همه آنها را رتبه بندی می کند. در پایان، ما تمام مولکول های بالقوه را در آنجا بررسی کرده ایم. ما تقریباً درک می کنیم که عملکرد باید چه باشد و در نهایت با یک لیست اولویت از شاید صد، به جای میلیون ها و میلیون ها نفر، صدها نفر که ما در آزمایشگاه سنتز می کنیم، به پایان می رسیم.

و در نهایت، شما راه حل را سریع تر، بسیار سریع تر می کنید. کل فضا را بررسی کرده اید. اساسا می گویم که به ما اجازه می دهد که گسترده تر، عمیق تر و سریع تر حرکت کنیم. و نکته مهم این است که جایگزین دانشمندان ما نیست، جایگزین تخصص علمی ما نمی شود. به گونه ای است که به آنها قدرت می دهد. این اجازه می دهد تا آنها را به صرف زمان کمتر جستجو و زمان بیشتر حل سخت ترین چالش های مهندسی صنعت است.

مگان: شگفت انگیز به نظر می رسد که این واقعا یک ابزار واقعا دگرگون کننده با آنچه شما توضیح می دهید است.

مایک: به طور کامل، کامل.

مگان: منظورم این است که، فقط برای به پایان رساندن، مایک، عالی است که اگر بتوانیم نگاهی به آینده بیندازیم، زیرا فعالیت های زیادی در هوش مصنوعی و فضای پیشرفته مواد وجود دارد. من تعجب می کنم که در خط لوله ای که شما در مورد بعدی هیجان زده هستید چه اتفاقی می افتد؟

مایک: من در مورد AI بسیار صحبت کرده ام و چگونه از AI برای توسعه مواد جدید استفاده می کنیم. من به من فکر می کنم، واقعا هیجان انگیز است و من شروع به دیدن آن در واقع اتفاق می افتد، من فقط کنجکاو هستم که چقدر سریع این رفتن است، این است که ما از AI برای توسعه مواد جدید استفاده می کنیم که AI را قادر می سازد تا بهتر شود، و سپس AI از AI جدید برای توسعه مواد جدید برای بهتر شدن AI استفاده می کند. من این حلقه در حال توسعه برای AI را برای بهبود می بینم و سپس از AI برای بهبود خودمان استفاده می کنیم. شما در این مواد شتاب یافته، چرخه نوآورانه نوآوری مواد. این واقعا من را هیجان زده می کند و به ما این فرصت را می دهد تا به فناوری های توانمند سازی ادامه دهیم که آینده را شکل می دهند. این کاری است که ما در Syensqo انجام می دهیم.

مگان: فوق العاده بله، نوع واقعی از چرخه نوآوری، به نظر می رسد این است. شگفت انگیز خیلی ممنون، مایک.

مایک: ممنون

مگان: خیلی ممنون این مایک فاینولی، مدیر ارشد فناوری و نوآوری و مدیر ارشد آمریکای شمالی در Syensqo بود که من از Brighton در انگلستان صحبت کردم.

این برای این قسمت از آزمایشگاه کسب و کار است. من میزبان شما هستم، مگان Tatum. من یک ویرایشگر و میزبان برای Insights، بخش انتشار سفارشی MIT Technology Review هستم. ما در سال 1899 در موسسه فناوری ماساچوست تاسیس شد و شما می توانید ما را در چاپ در وب و در حوادث هر ساله در سراسر جهان پیدا کنید. برای اطلاعات بیشتر در مورد ما و نمایش، لطفا وب سایت ما را در Techreview.com بررسی کنید.

این نمایش در هر جایی که پادکست های خود را دریافت می کنید در دسترس است و اگر از آن لذت ببرید، امیدواریم که شما یک لحظه به سرعت و بررسی ما. آزمایشگاه کسب و کار تولید MIT Technology Review است و این قسمت توسط Giro Studios تولید شده است. ممنون برای گوش دادن خداحافظ

این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review تولید شد، نه کارکنان سرمقاله آن. تحقیق و نوشته شدن توسط انسان با هر ابزار AI که ممکن است محدود به فرآیندهای تولید تحت نظارت انسان باشد.

💻 کدزن | طراحی سایت و سامانه‌های آنلاین
🚀 ایده‌ات رو به یک محصول آنلاین حرفه‌ای تبدیل کن
🌐 www.codzan.ir
💬 طراحی • توسعه • پشتیبانی