AI agent má zrýchliť vývoj batérií tým, že zníži počet potrebných experimentov

Jedna z prakticky najzaujímavejších dnešných AI výskumných noviniek neprichádza z chatbotov, ale z laboratória pre vývoj batérií. Tím okolo Karlsruhe Institute of Technology, Helmholtz Institute Ulm a Technickej univerzity v Mníchove predstavil workflow, v ktorom AI agent pomáha riadiť experimenty pri výskume sodíkovo-iónových článkov. Nejde o to, že by model „vymyslel lepšiu batériu“ v jednej čarovnej odpovedi. Hlavná myšlienka je omnoho praktickejšia: znížiť počet fyzických pokusov potrebných na to, aby sa výskumníci dostali k rozumnému kompromisu medzi dĺžkou formovania článku a jeho konečným výkonom.

Práve formovanie býva v batériovom výskume úzky profil. Je časovo náročné, ovplyvňuje životnosť článku a predlžuje celý cyklus vývoja. Ak chce laboratórium testovať viac kombinácií parametrov, narazí na drahý problém: každý ďalší experiment stojí čas, materiál aj kapacitu prístrojov. Autori preto skúšajú prístup, v ktorom experimenty nevyberá človek ručne podľa intuície alebo pevného plánu, ale AI agent postavený na aktívnom učení a viaccieľovej Bayesovskej optimalizácii.

V praxi ide o prepojenie dvoch prostredí. FINALES zabezpečuje plánovanie a orchestráciu experimentov na výskumnej platforme, zatiaľ čo Kadi4Mat dodáva agenta, ktorý rozhoduje, ktorý experiment má najväčší informačný prínos ako ďalší v poradí. To je dôležitý rozdiel oproti bežnej predstave o „AI v laboratóriu“. Nejde len o analytiku nad hotovými dátami, ale o uzavretú slučku medzi dátovou infraštruktúrou, výberom ďalšieho pokusu a fyzickým vykonaním experimentu.

Autori sa pritom nesústredia na jediný cieľ. Optimalizujú dve navzájom napäté veličiny: čo najkratší čas formovania a čo najlepší End Of Life výkon. To je realistickejšie než honba za jediným maximom, pretože vo výrobe aj materiálovom výskume zriedka existuje jedno dokonalé nastavenie. Dôležité býva nájsť takzvanú Pareto hranicu, teda súbor riešení, pri ktorých už nejde zlepšiť jednu vlastnosť bez zhoršenia druhej. Práve tu má agentický výber experimentov zmysel: pomáha rýchlejšie preskúmať priestor parametrov a sústrediť sa na pokusy, ktoré majú šancu túto hranicu spresniť.

Význam práce nespočíva iba v samotnom výsledku pre sodíkovo-iónové články. Rovnako podstatná je interoperabilita, ktorú autori zdôrazňujú medzi systémami FINALES a Kadi4Mat. V mnohých laboratóriách dnes nevzniká problém len tým, že je málo dát, ale aj tým, že dáta, workflow a rozhodovacie logiky sú roztrúsené medzi rôzne nástroje, tímy a zariadenia. Ak sa podarí tieto časti spojiť do jedného riadeného cyklu, AI prestáva byť doplnkovou analytickou vrstvou a začína fungovať ako plánovač experimentálneho procesu.

To má širšie dôsledky pre materiálový výskum aj priemysel. Ak systém dokáže rozumne odporúčať ďalší experiment, laboratóriá môžu skrátiť vývojové slučky, lepšie využívať drahú aparatúru a dostať sa k rozhodnutiu s menším počtom pokusov. V oblastiach ako batérie, katalýza, zliatiny či polovodiče je práve tento posun kritický. Tempo pokroku často nebrzdí nedostatok hypotéz, ale pomalosť overovania. AI agent, ktorý neriadi len textový chat, ale poradie fyzických experimentov, preto môže mať vyššiu ekonomickú hodnotu než ďalší všeobecný asistent.

Treba však dodať aj opatrnosť. Ide o výskumnú prácu z arXivu, nie o univerzálne potvrdený priemyselný štandard. To znamená, že cesta k plošnému nasadeniu bude závisieť od toho, ako dobre sa tento prístup prenesie do iných laboratórnych zostáv, iných chemických systémov a iných typov meraní. Rovnako bude dôležité, či výskumníci dokážu vysvetliť, prečo agent preferuje konkrétne experimenty, a ako spoľahlivo sa správa pri šume, chýbajúcich dátach alebo zmenách v meracom procese.

Aj napriek tejto opatrnosti ide o dobrý príklad toho, kam sa agentická AI môže posúvať mimo kancelárskeho softvéru. Namiesto automatizácie e-mailov alebo browser workflow sa tu používa na riadenie drahých fyzických experimentov, kde každé rozhodnutie nesie materiálny náklad. Ak sa podobné workflow rozšíria, AI v priemysle a vede nebude hodnotená podľa toho, ako presvedčivo komunikuje, ale podľa toho, koľko slepých pokusov dokáže odstrániť z reálneho vývoja. A práve to je typ dopadu, ktorý môže mať v nasledujúcich rokoch väčšiu váhu než ďalší kozmetický posun v spotrebiteľských benchmarkoch.