```html

رونق هوش مصنوعی در حال تبدیل شدن به یک چالش در حوزه مواد است. با پیشرفت هوش مصنوعی به قلمرویی جدید، مواد به‌کاررفته در زیرساخت آن به همان اندازه الگوریتم‌های اجراشده روی آن حیاتی می‌شوند. نیمه‌هادی‌ها و مراکز داده در حال نزدیک شدن به محدودیت‌های فیزیکی در زمینه عملکرد، مدیریت حرارتی، بازده الکتریکی و قابلیت اطمینان هستند؛ این امر تقاضاهای جدیدی برای موادی ایجاد می‌کند که بتوانند هم‌زمان کارهای بیشتری انجام دهند. در عین حال، هوش مصنوعی روش‌های جدیدی در اختیار دانشمندان مواد قرار می‌دهد تا جهان عظیم مولکول‌های ممکن را جستجو کرده و توسعه راه‌حل‌ها را تسریع بخشند.

به گفته مایک فینلی، مدیر ارشد فناوری و نوآوری و مدیر ارشد منطقه آمریکای شمالی در Syensqo، این همگرایی در حال تغییر آن چیزی است که مواد پیشرفته قادر به انجام آن هستند. او می‌گوید: «از منظر مواد، هوش مصنوعی واقعاً نیمه‌هادی‌ها و مراکز داده را به محدودیت‌های فیزیکی خود سوق می‌دهد.»

با انباشته شدن الزاماتی مانند دمای بالا، خلوص، عملکرد الکتریکی، مقاومت شیمیایی، مقاومت در برابر پلاسما و پایداری بلندمدت، مواد به سمت چیزی حرکت می‌کنند که فینلی آن را «قله هرم» می‌نامد. او معتقد است که مواد پیشرفته فراتر از حمایت از نوآوری هوش مصنوعی، «در حال تعیین کردن این هستند که چه چیزی ممکن خواهد بود.»

این چالش در سراسر زیرساخت‌های تغذیه‌کننده موج هوش مصنوعی در حال وقوع است. Syensqo در حال توسعه موادی برای معماری‌های مرکز داده با ولتاژ بالا، مواد آب‌بندی پیشرفته برای ساخت نیمه‌هادی‌ها و راه‌حل‌های مدیریت حرارتی از جمله سیالاتی برای خنک‌کاری غوطه‌وری مستقیم است. برخی از این نوآوری‌ها می‌توانند از مرزهای صنایع نیز عبور کنند. به عنوان مثال، مواد توسعه‌یافته برای خودروهای الکتریکی می‌توانند به رفع تقاضاهای ولتاژ بالاتر و چگالی انرژی بالاتر که در مراکز داده در حال ظهور است کمک کنند.

تعریف عملکرد نیز در حال تغییر است. مشتریان بیشتری انتظار دارند مواد ضمن کاهش تأثیرات زیست‌محیطی، الزامات فنی را نیز برآورده کنند. فینلی می‌گوید: «هدف ما حذف بده‌بستان بین عملکرد و پایداری است.» این به معنای در نظر گرفتن پایداری در ابتدای فرآیند تحقیق به جای رفتار با آن به عنوان یک الزام اضافی پس از توسعه ماده است.

هوش مصنوعی همچنین نحوه کشف این مواد را تغییر می‌دهد. Syensqo از عامل‌های هوش مصنوعی برای سنتز دیجیتالی میلیون‌ها ترکیب مولکولی بالقوه، پیش‌بینی عملکرد و ویژگی‌های پایداری آن‌ها و محدود کردن آن‌ها به گروهی بسیار کوچک‌تر برای آزمایش آزمایشگاهی استفاده می‌کند. به گفته فینلی، نتیجه این فرآیند، توانایی حرکت به سمت «وسیع‌تر، عمیق‌تر و سریع‌تر» و در عین حال دادن زمان بیشتر به دانشمندان برای حل مسائل پیچیده مهندسی است.

فینلی با نگاهی به آینده، احتمال یک چرخه تقویت‌کننده را می‌بیند: هوش مصنوعی به توسعه موادی کمک می‌کند که زیرساخت هوش مصنوعی را بهبود می‌بخشند، و این زیرساخت بهبودیافته نیز به نوبه خود هوش مصنوعی بهتری را برای تسریع کشف مواد ممکن می‌سازد. این حلقه بازخورد می‌تواند چرخه‌ای از نوآوری ایجاد کرده و قابلیت‌های فناوری‌های آینده را گسترش دهد.

فینلی می‌گوید: «در نهایت به این چرخه شتاب‌یافته مواد، چرخه نوآوری مواد می‌رسید. این واقعاً مرا هیجان‌زده می‌کند و به ما فرصتی می‌دهد تا به توانمندسازی فناوری‌هایی ادامه دهیم که آینده را شکل خواهند داد.»

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

متن کامل:

مگان تیتوم: از MIT Technology Review، من مگان تیتوم هستم و این Business Lab است؛ برنامه‌ای که به رهبران کسب‌وکار کمک می‌کند فناوری‌های جدیدی را که از آزمایشگاه به بازار می‌آیند درک کنند.

این قسمت با مشارکت Syensqo تولید شده است.

حالا اگر از بسیاری از ما خواسته شود عوامل کلیدی پیشرفت هوش مصنوعی را نام ببریم، احتمالاً الگوریتم‌ها، مراکز داده یا حتی قدرت محاسباتی را فهرست می‌کنیم، اما مواد پیشرفته‌ای که زیربنای هر لایه از این نوآوری هستند، به همان اندازه برای عملکرد حیاتی هستند. همانطور که هوش مصنوعی به تکامل خود ادامه می‌دهد، نیمه‌هادی‌ها و مراکز داده را به مرزهای فیزیکی جدیدی سوق می‌دهد و فشار جدیدی بر بخش مواد پیشرفته برای همگام‌سازی ایجاد می‌کند. اما این رابطه دوطرفه است. همانطور که این بخش برای پاسخ به این چالش برمی‌خیزد، هوش مصنوعی نیز به عنوان ابزاری قدرتمند برای تسریع کشف و توسعه مواد ظهور می‌کند و جدول زمانی توسعه راه‌حل‌های جدید را به طور قابل توجهی کاهش می‌دهد.

دو کلمه برای شما: نوآوری مواد.

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

خوش آمدید، مایک.

مایک فینلی: متشکرم، مگان. از بودن در اینجا خوشحالم.

مگان: بسیار سپاسگزارم که به ما ملحق شدید. مایک، می‌توانم ابتدا از شما بخواهم کمی بیشتر درباره Syensqo و نقشی که در توسعه مواد پیشرفته ایفا می‌کند به ما بگویید؟

مایک: بله، حتماً. Syensqo یک رهبر جهانی در مواد تخصصی است. وظیفه ما کمک به مشتریان برای حل دشوارترین چالش‌های فناوری آن‌ها است. ما بازارهای مختلفی را پوشش می‌دهیم، اما روشی که دوست دارم ساده بگویم این است: اگر پرواز می‌کند، ما روی آن هستیم. اگر حرکت می‌کند، ما درون آن هستیم. در مراقبت‌های بهداشتی، محصولات ما به معنای واقعی کلمه هر روز جان انسان‌ها را نجات می‌دهند. و اگر دستگاه‌های همراه خود را دوست دارید، اگر هوش مصنوعی را دوست دارید، محصولات ما هستند که تراشه‌های نیمه‌هادی پیشرفته مورد نیاز برای تولید همه این‌ها را ممکن می‌سازند. نقش ما توانمندسازی نوآوری از طریق شیمی پیشرفته است. ما موادی را توسعه می‌دهیم که عملکرد بالاتر، قابلیت اطمینان بیشتر و به طور فزاینده، راه‌حل‌های پایدارتری را ارائه می‌دهند. روشی که می‌گویم این است که این در قلب کسب‌وکار ما قرار دارد. در واقع، در نام ما، Syensqo، نهفته است. و برای ارائه اعداد، ۲۰٪ از درآمد سالانه ما از محصولات و کاربردهای جدیدی حاصل می‌شود که در پنج سال گذشته عرضه کرده‌ایم، که واقعاً نشان‌دهنده یک موتور نوآوری بسیار قوی است.

مگان: بله، قطعاً. و همانطور که توضیح دادید، شما در انواع صنایع مختلف حضور دارید، با تأکید شاید بر الکترونیک و نیمه‌هادی‌ها. می‌توانید کمی بیشتر درباره این کار و اینکه این صنایع احتمالاً به کجا می‌روند صحبت کنید؟

مایک: حتماً. ببینید، الکترونیک و نیمه‌هادی‌ها برای دهه‌ها بازارهای استراتژیک برای Syensqo بوده‌اند. نمی‌خواهم سنم را بگویم، اما ۳۳ سال پیش که کارم را در شرکت شروع کردم، نیمه‌هادی‌ها یکی از اولین صنایعی بودند که در آن کار کردم. و ما از امواج متوالی نوآوری، از جمله امکان‌پذیر کردن دستگاه‌های همراه کوچک‌تر و قدرتمندتر، کمک به صنعت برای رسیدن به ابعاد کوچک‌تر و کوچک‌تر و تراشه‌ها، حمایت کرده‌ایم. ما به پیشبرد ابرارتباطات (hyperconnectivity) کمک کرده‌ایم و از ساخت فزاینده پیچیده نیمه‌هادی‌ها پشتیبانی کرده‌ایم. و امروز به پیشبرد عصر هوش مصنوعی کمک می‌کنیم.

ما یکی از گسترده‌ترین مجموعه‌های پلیمرهای با کارایی بالا و مواد پیشرفته در صنعت را داریم. ما از کاربردها در سراسر زنجیره ارزش الکترونیک، از ساخت نیمه‌هادی، قطعات الکترونیکی گرفته تا دستگاه‌های هوشمند و مخابرات و حتی ابرارتباطات، پشتیبانی می‌کنیم. و مواد ما به مشتریان کمک می‌کند تا چالش‌های فزاینده‌ای را در زمینه کوچک‌سازی، مدیریت حرارتی، عملکرد الکتریکی، مقاومت شیمیایی، خلوص بالاتر و بالاتر، و قابلیت اطمینان و پایداری بلندمدت حل کنند. و امروز ما با تولیدکنندگان پیشرو نیمه‌هادی و شرکت‌های الکترونیک در سراسر جهان همکاری می‌کنیم.

مگان: عالی است. و همانطور که شما اشاره کردید، در ۳۰ سال گذشته تحولات عظیمی را در این بخش‌ها شاهد بوده‌ایم.

مایک: وای خدای من، بله.

مگان: و اکنون هوش مصنوعی این تقاضاهای جدید را بر نیمه‌هادی‌ها و مراکز داده تحمیل می‌کند. این برای موادی که از آن ساخته شده‌اند چه معنایی دارد و نوآوری هوش مصنوعی تا چه اندازه با یافتن راه‌حل توسط علم مواد محدود یا ممکن خواهد شد؟

مایک: بله، کاملاً درست می‌گویید. اما هوش مصنوعی اکنون، از منظر مواد، واقعاً نیمه‌هادی‌ها و مراکز داده را به محدودیت‌های فیزیکی خود سوق می‌دهد و مواد به عامل کلیدی این پیشرفت مستمر تبدیل می‌شوند.

روشی که سعی می‌کنم آن را توصیف کنم، به یک هرم فکر کنید، من آن را هرم عملکرد می‌نامم. مواد کالایی (commodity) در پایین هرم و مواد تخصصی با کارایی بالا در بالای هرم قرار دارند. در Syensqo، تمام کاری که می‌کنیم این است که در بالای هرم فعالیت می‌کنیم و دائماً سعی می‌کنیم با عرضه مواد جدیدتر و با عملکرد بالاتر، بالای آن هرم را بالا ببریم.

حالا ممکن است بگویید، خوب، اما چرا یک مرکز داده یا یک کارخانه ساخت نیمه‌هادی به مواد تخصصی در مقابل چیزی در حوزه کالا نیاز دارد؟ خوب، من آن را اصلِ «و، و، و» می‌نامم. اگر فقط به یک پلیمر یا ماده نیاز دارید که بتواند در دمای اتاق روی میز بنشیند و به مدت ۱۰ سال همانجا بماند و تغییر نکند، خوب، مواد کالایی زیادی هستند که این کار را انجام می‌دهند و شما مشکلی ندارید. به محض اینکه شروع به اضافه کردن الزامات می‌کنید، و من آن را «و، و، و» می‌نامم، بنابراین اگر به پلیمری نیاز دارید که بتواند دمای بالا را تحمل کند و باید خلوص بالا و عملکرد الکتریکی و مقاومت شیمیایی و مقاومت در برابر پلاسما داشته باشد و باید پایداری بلندمدت داشته باشد، همه این «و»ها، شما شروع به حرکت به سمت بالای هرم می‌کنید.

حالا کاری که هوش مصنوعی با نیمه‌هادی‌ها انجام می‌دهد، به دلیل سرعت پیشرفت آن، این است که نیازمند تراشه‌های نیمه‌هادی و مراکز داده است، تعداد الزامات در حال افزایش است، تعداد «و»ها در حال افزایش است که محدودیت‌های مواد را جابجا می‌کند. اینجاست که ما وارد می‌شویم. و من واقعاً باور دارم که مواد پیشرفته، دیگر فقط از نوآوری هوش مصنوعی پشتیبانی نمی‌کنند، ما در واقع به طور فزاینده‌ای در حال تعیین کردن این هستیم که چه چیزی ممکن خواهد بود.

مگان: درست است. این جذاب است. و در مورد پاسخگویی به این چالش با تمرکز بر آن بالای هرم و اصلی که در مورد «و، و، و» صحبت می‌کنید، می‌توانید شاید یک یا دو مثال از آن راه‌حل‌های بالای هرم که ایجاد کرده‌اید یا در حال حاضر روی آن کار می‌کنید برای ما توضیح دهید؟

مایک: همانطور که گفتم، تمرکز ما بر توانمندسازی عملکرد بالاتر است، اما بدون به خطر انداختن قابلیت اطمینان یا ایمنی. ما پلیمرهای پیشرفته، الاستومرها، سیالات تخصصی (سیالات به معنای روان‌کننده‌ها و سیالات انتقال حرارت) را توسعه می‌دهیم و این مواد در سراسر فرآیند ساخت نیمه‌هادی و همچنین به طور فزاینده‌ای در زیرساخت مرکز داده هوش مصنوعی استفاده می‌شوند. یک مثال از کار ما بر روی مواد تخصصی برای مراکز داده نسل بعدی هوش مصنوعی، کاری است که ما در زمینه معماری‌های ولتاژ بالا انجام می‌دهیم. مراکز داده به سمت معماری‌های ولتاژ بالا حرکت می‌کنند زیرا می‌توانند قدرت محاسباتی بیشتری را ممکن کرده و همزمان بازده انرژی را بهبود بخشند. ما می‌دانیم که این یک مسئله بزرگ برای آن بخش از صنعت است و این معماری‌های ولتاژ بالا به آن‌ها کمک می‌کند تا مصرف انرژی را کاهش داده و بازده انرژی را بهبود بخشند زیرا تلفات انرژی را کاهش می‌دهد و در نهایت می‌توانند به کاهش ردپای زیست‌محیطی مراکز داده کمک کنند. و ما در حال توسعه مواد جدیدی هستیم که به آن‌ها در رسیدن به این هدف کمک کند.

مثال دیگر، مواد آب‌بندی با کارایی بالای ما است که در داخل کارخانه‌های نیمه‌هادی (fabs) و ابزارهای ویفر (wafer tools) یافت می‌شود. اگر بتوانید تصور کنید، بسیاری از مردم دیده‌اند که یک نیمه‌هادی در طول فرآوری چه شکلی است. یک دیسک سیلیکونی بزرگ است که بعداً به تراشه‌های کوچکی که وارد کامپیوتر می‌شوند برش داده می‌شود. اما آن ویفر در داخل یک محفظه غول‌پیکر قرار می‌گیرد که محیطی بسیار شدید، پلاسمای تهاجمی، مواد شیمیایی واکنش‌پذیر دارد و آن‌ها به مواد با کارایی بالاتر و بالاتری نیاز دارند. و تمام آب‌بندهای اطراف آن محفظه برای نگه داشتن آن گازها در محیط داخلی باید بتوانند در برابر آن محیط مقاومت کنند. و این همان چیزی است که ما در حال توسعه آن هستیم و محدودیت‌ها را جابجا می‌کنیم. آن‌ها دماهای بالاتر، محیط تهاجمی‌تر با گاززدایی (out gassing) و خلوص کمتر را درخواست می‌کنند. و این همان چیزی است که ما برای این صنعت توسعه می‌دهیم تا امکان توسعه و تولید صنعتی تراشه بعدی فراهم شود.

مگان: این بسیار جذاب است که مردم لزوماً به آب‌بند در چنین چیزی فکر نمی‌کنند. همانطور که شما توضیح می‌دهید، از نظر عملکرد کاملاً حیاتی است. و در توسعه آن راه‌حل‌ها، همانطور که متوجه شدم، شما همچنین به بازارهای مختلف نگاه کردید تا ببینید چه چیزی شاید در بیش از یک فضا قابل استفاده باشد، و این شامل همپوشانی بین بخش خودرو و مراکز داده است، آنطور که من متوجه شدم. می‌توانید کمی بیشتر در این باره به ما بگویید؟

مایک: همانطور که قبلاً اشاره کردم، مراکز داده به سمت معماری‌های ولتاژ بالاتر در حال تغییر هستند. این مرکز داده نسل بعدی است که می‌تواند انرژی کارآمدتری داشته باشد، اما چگالی انرژی بالاتری دارد. چگالی توان افزایش می‌یابد که باعث افزایش دما می‌شود. و بسیاری از چالش‌های مواد که در آنجا با آن مواجه خواهیم شد، ما قبلاً برای صنعت خودرو در خودروهای الکتریکی توسعه داده‌ایم. یک مثال از یک کاربرد را برایتان می‌آورم. به یک خودروی الکتریکی فکر کنید. نیروگاه در یک خودروی الکتریکی دیگر موتور نیست، باتری است. تمام انرژی در آنجا قرار دارد. و وقتی صد کیلووات انرژی را از طریق سیم‌ها و از طریق چیزی که به آن باس بار (bus bar) می‌گویند به موتور الکتریکی هدایت می‌کنید، باید آن خودرو را خیلی سریع به سرعت ۶۰ مایل در ساعت برسانید. شما مقدار عظیمی انرژی را هدایت می‌کنید که دما را به شدت افزایش می‌دهد.

و تمام اتصالات الکتریکی در این باس بارها هستند که یک پلیمر عایق با مس در بین آن برای همه اتصالات وجود دارد. این باید آن افزایش دما را که می‌تواند خیلی سریع رخ دهد، تحمل کند. ما مواد جدیدی را در آنجا توسعه داده‌ایم و آن مواد به این مراکز داده که ولتاژهای بالاتر با چگالی انرژی بالاتر خواهند داشت، قابل انتقال خواهند بود.

کار دیگری که در خودرو انجام داده‌ایم، ما دانش زیادی هم در خودرو و هم در نیمه‌هادی در مورد گردش سیالات و چگونگی استفاده از مواد دی‌الکتریک برای انجام خنک‌کاری غوطه‌وری مستقیم داریم. این چیزی است که برای مراکز داده و مزرعه‌های سرور بسیار ارزشمند خواهد بود. استفاده از هوا برای خنک کردن نیمه‌هادی‌ها واقعاً ناکارآمد و انرژی‌بر است. اگر بتوانید آن‌ها را در یک مایع غوطه‌ور کنید، خنک‌کاری غوطه‌وری مستقیم دارید که بسیار کارآمد است، بنابراین این چیز دیگری است که روی آن کار می‌کنیم.

چیز دیگری که در خودرو توسعه دادیم و به اینجا منتقل خواهد شد، سیستم‌های ذخیره انرژی باتری است. در داخل باتری، ما یک چسب‌زننده (binder) توسعه داده‌ایم. این با عملکردترین چسب‌زننده در بازار است که از کاتد یک باتری لیتیوم یونی استفاده می‌کند و همه مواد تشکیل‌دهنده را در کنار هم نگه می‌دارد تا عملکردشان را انجام دهند تا آن باتری بتواند واقعاً ۱۰ سال دوام بیاورد و عملکرد خوبی داشته باشد. حالا این به مراکز داده منتقل می‌شود زیرا آن‌ها بیشتر به سمت انرژی‌های تجدیدپذیر حرکت می‌کنند و برای هموارسازی بارهای اوج و ارائه توان پشتیبان مقاوم به این سیستم‌های ذخیره انرژی نیاز دارند. این یکی از کارهایی است که ما انجام می‌دهیم. با انتقال دانش خود در سراسر بازارها، می‌توانیم راه‌حل‌های جدید توان و مدیریت حرارتی را تسریع کنیم و در عین حال از قابلیت اطمینان مورد نیاز زیرساخت نسل بعدی هوش مصنوعی پشتیبانی کنیم.

مگان: عالی است. کاربردهای قابل انتقال زیادی در آنجا وجود دارد که لزوماً به ذهن نمی‌رسید. و البته تنها پیشرفت‌های فنی نیستند که باید با آنها دست و پنجه نرم کنید. شرکت‌های امروزی همچنین خواستار توسعه و تولید مسئولانه‌تر مواد هستند. بنابراین پایداری چگونه فرآیند نوآوری شما را شکل می‌دهد؟

مایک: بله، کاملاً درست می‌گویید. می‌گویم عملکرد هنوز بلیط ورود است. مشتریان ما عملکرد می‌خواهند. چیزی که اکنون در حال تغییر است این است که تعریف عملکرد گسترده‌تر شده و شامل اهداف و الزامات پایداری می‌شود. مشتریان ما انتظار دارند موادی که عملکرد فنی برجسته‌ای ارائه می‌دهند در حالی که به طور مسئولانه‌تری نیز توسعه و تولید شده‌اند.

در Syensqo، ما معتقدیم که فعالیت به عنوان یک شرکت مسئول به معنای ارائه راه‌حل‌های تجاری واقعاً پایدار به مشتریان خود است. و به همین دلیل است که ما ابزاری به نام مدیریت پرتفوی پایدار (Sustainable Portfolio Management) یا SPM را توسعه داده‌ایم. این یک ماتریس است و تعریف می‌کند که یک راه‌حل پایدار چیست. برای ما، محصولی است که در یک کاربرد مشخص، عملکرد اجتماعی و زیست‌محیطی محصول ما را بهبود بخشد و در عین حال تأثیر زیست‌محیطی کمتری در تولید خود نشان دهد و برای مشتریان ما ارزش ایجاد کند. به طور خلاصه، ما می‌خواهیم محصولاتی را توسعه دهیم، و این از اینجا شروع می‌شود. هر یک از پروژه‌های تحقیقاتی ما قبل از اینکه حتی شروع کنیم، از نظر پایدار بودن یا نبودن محصول ارزیابی می‌شود.

و اکنون ۸۸٪ از پرتفوی ما یک محصول پایدار است. ما موادی را در حال توسعه هستیم که برای محیط زیست بهتر هستند، ردپای زیست‌محیطی کمتری در زمان تولید دارند، اما همچنین به بهبود عملکرد مشتریان ما نیز کمک می‌کنند تا آن‌ها بتوانند با ردپای کربن کمتری فعالیت کنند یا به روش ایمن‌تری کار کنند یا مصرف آب کمتری داشته باشند. لیست بلندی از موارد مختلف در آن وجود دارد.

مثال دیگر، توسعه بلندمدت ما از سیالات انتقال حرارت نسل بعدی است. ساخت نیمه‌هادی و مراکز داده قدرتمندتر شده‌اند. قبلاً به گرمایی که تولید می‌کنند اشاره کردم، به خصوص وقتی به معماری‌های ولتاژ بالاتر می‌روند. مدیریت آن گرما به طور فزاینده‌ای مهم می‌شود. و دوباره، در مورد خنک‌کاری غوطه‌وری مستقیم صحبت کردم. ما در حال توسعه آن راه‌حل‌ها هستیم زیرا امروزه سیالاتی وجود دارند که کار می‌کنند، اما پتانسیل گرمایش جهانی (global warming) بالایی دارند. این برای محیط زیست خوب نیست. ما در حال توسعه سیالات انتقال حرارت نسل بعدی هستیم که تأثیرات زیست‌محیطی بالقوه را در مقایسه با سیالات امروزی کاهش می‌دهند. در پایان، هدف ما حذف بده‌بستان بین عملکرد و پایداری است. توجه می‌کنید که این یک «و» دیگر است، ما می‌توانیم هم عملکرد بالا داشته باشیم و هم پایدار باشیم.

مگان: این خیلی مهم است، اینطور نیست، که به پایداری بر حسب عملکرد فکر کنیم. همانطور که می‌گویید، وقتی به مقیاس‌پذیری تجاری این راه‌حل‌ها فکر می‌کنیم، این بخش بسیار مهمی از آن است. و همانطور که در مقدمه گفتم، هوش مصنوعی نه تنها یک چالش، بلکه یک فرصت در حوزه مواد پیشرفته است. خوشحال می‌شوم بررسی کنم که چگونه از ابزارهای هوش مصنوعی در Syensqo برای اطلاع‌رسانی و تسریع توسعه راه‌حل‌ها نیز استفاده می‌کنید.

مایک: قطعاً. 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 (Microsoft discovery tool) آنها شریک شده‌ایم و این به ما کمک می‌کند تا به سرعت کاندیداهای مولکولی امیدوارکننده را شناسایی و ارزیابی کنیم.

حالا، در رویکرد تحقیقاتی معمول، از نظر تاریخی، شما آزمایش خود را طراحی می‌کردید و به تمام ترکیبات بالقوه مواد و مواد شیمیایی که می‌توانستید همه این مولکول‌های مختلف را از آنها بسازید نگاه می‌کردید. و ترکیبات بالقوه و مولکول‌هایی که می‌توانستید برای حل یک مسئله توسعه دهید می‌توانست در میلیون‌ها باشد، اما توسعه یک میلیون مولکول یا ده‌ها میلیون مولکول در آزمایشگاه شما و انجام فیزیکی این کار غیرممکن است. اما شما مجبورید بر اساس تخصص و دانش خود، بر اساس جستجوهای ادبیات، بر اساس جدیدترین روش‌های موجود و نگاه به اختراعات و غیره، یک منطقه کوچک را انتخاب کنید. و شما یک منطقه کوچک را انتخاب می‌کنید و فرآیند 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 می‌کنید که کار می‌کند، اما این بدان معنا نیست که بهترین ترکیب ممکن موجود را پیدا کرده‌اید.

اما کاری که ما با هوش مصنوعی انجام می‌دهیم این است که با مایکروسافت عامل‌های هوش مصنوعی (AI agents) را توسعه داده‌ایم که به معنای واقعی کلمه به صورت دیجیتالی کل میلیون‌ها و میلیون‌ها ترکیب مولکول‌های بالقوه را سنتز می‌کنند. و ما عامل‌های هوش مصنوعی دیگری داریم که از شبیه‌سازی مبتنی بر فیزیک برای نگاه کردن به همه آن مولکول‌ها و پیش‌بینی عملکرد آن‌ها، و نه فقط عملکرد بر روی خواص فیزیکی و شیمیایی، بلکه بر روی سمیت، پایداری و غیره استفاده می‌کنند. سپس عامل دیگری داریم که همه آن اطلاعات را می‌گیرد و همه آن‌ها را رتبه‌بندی می‌کند. در پایان، ما تمام مولکول‌های بالقوه موجود را کاوش کرده‌ایم. ما تقریباً می‌فهمیم عملکرد باید چگونه باشد و به یک لیست اولویت‌دار از شاید صد تا، به جای میلیون‌ها و میلیون‌ها، می‌رسیم که در آزمایشگاه سنتز می‌کنیم.

و در پایان، شما راه‌حل را سریع‌تر، بسیار بسیار سریع‌تر دریافت می‌کنید. شما کل فضا را کاوش کرده‌اید. من اساساً می‌گویم این به ما اجازه می‌دهد وسیع‌تر، عمیق‌تر و سریع‌تر برویم. و نکته مهم این است که این جایگزین دانشمندان ما نمی‌شود، جایگزین تخصص علمی ما نمی‌شود. به نوعی، به آن‌ها ابرقدرت می‌دهد. به آن‌ها اجازه می‌دهد زمان کمتری را صرف جستجو و زمان بیشتری را صرف حل دشوارترین چالش‌های مهندسی صنعت کنند.

مگان: شگفت‌انگیز است. به نظر می‌رسد که با توجه به توضیحات شما، این واقعاً یک ابزار تحول‌آفرین است.

مایک: کاملاً، کاملاً.

مگان: منظورم این است که برای پایان، مایک، اگر بتوانیم نگاهی به آینده بیندازیم عالی خواهد بود، زیرا فعالیت زیادی هم در حوزه هوش مصنوعی و هم در حوزه مواد پیشرفته وجود دارد. کنجکاوم بدانم چه چیزی در راه است که بیش از همه شما را هیجان‌زده می‌کند؟

مایک: من زیاد در مورد هوش مصنوعی و اینکه چگونه از هوش مصنوعی برای توسعه مواد جدید استفاده می‌کنیم صحبت کرده‌ام. فکر می‌کنم چیزی که واقعاً برای من هیجان‌انگیز است، و من تازه شروع به دیدن وقوع آن کرده‌ام، فقط کنجکاوم که این چقدر سریع پیش خواهد رفت، این است که ما از هوش مصنوعی برای توسعه مواد جدیدی استفاده می‌کنیم که هوش مصنوعی را بهتر می‌کند، و سپس آن هوش مصنوعی از هوش مصنوعی جدید برای توسعه مواد جدید استفاده می‌کند تا هوش مصنوعی را بهتر کند. من این حلقه توسعه را برای هوش مصنوعی می‌بینم، برای بهبود هوش مصنوعی، و سپس ما از آن هوش مصنوعی برای بهبود خود استفاده می‌کنیم. شما به این چرخه شتاب‌یافته مواد، چرخه نوآوری مواد می‌رسید. این واقعاً مرا هیجان‌زده می‌کند و به ما فرصتی می‌دهد تا به توانمندسازی فناوری‌هایی ادامه دهیم که آینده را شکل خواهند داد. این همان کاری است که در Syensqo انجام می‌دهیم.

مگان: عالی است. بله، یک نوع چرخه مجازی نوآوری واقعی به نظر می‌رسد. شگفت‌انگیز است. بسیار متشکرم، مایک.

مایک: متشکرم.

مگان: بسیار سپاسگزارم. این مایک فینلی بود، مدیر ارشد فناوری و نوآوری و مدیر ارشد منطقه آمریکای شمالی در Syensqo، که من از برایتون در انگلستان با او صحبت کردم.

این هم از این قسمت از Business Lab. من میزبان شما، مگان تیتوم هستم. من سردبیر مشارکتی و مجری بخش Insights، بخش انتشارات سفارشی MIT Technology Review هستم. ما در سال ۱۸۹۹ در مؤسسه فناوری ماساچوست تأسیس شدیم و می‌توانید ما را به صورت چاپی، در وب و در رویدادهایی در هر سال در سراسر جهان پیدا کنید. برای اطلاعات بیشتر درباره ما و این برنامه، لطفاً به وب‌سایت ما به نشانی technologyreview.com مراجعه کنید.

این برنامه در هر کجا که پادکست دریافت می‌کنید در دسترس است، و اگر از آن لذت بردید، امیدواریم لحظه‌ای را به امتیازدهی و نقد و بررسی ما اختصاص دهید. Business Lab محصولی از MIT Technology Review است و این قسمت توسط Giro Studios تولید شده است. از اینکه گوش دادید بسیار سپاسگزارم. خداحافظ.

این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review، و نه تیم تحریریه آن، تولید شده است. این محتوا توسط انسان‌ها تحقیق و نوشته شده است و هرگونه ابزار هوش مصنوعی که ممکن است استفاده شده باشد، تحت نظارت انسان و محدود به فرآیندهای تولید بوده است.

```