Képzeljük el, hogy nem egy receptből sütünk süteményt, hanem a kívánt végeredményből - a tökéletes állagból és ízből - visszafejtjük, milyen hozzávalók és milyen sütési körülmények vezethetek oda. Ez az úgynevezett inverz tervezés logikája, és egy amerikai kutatócsoport éppen ezt alkalmazta az anyagtudományra - mesterséges intelligencia, gépi tanulás és robotika kombinációjával.
Az Argonne National Laboratory, a Chicagói Egyetem és a Purdue Egyetem kutatói egy autonóm munkafolyamatot fejlesztettek ki, amely képes arra, hogy a tudós által meghatározott célból - például egy adott anyagi tulajdonságból - kiindulva önállóan megtalálja a megfelelő kémiai receptet. A rendszer először AI-eszközökkel, köztük nagy nyelvi modellekkel végigolvassa a tudományos szakirodalom releváns részét, és strukturált adatbázissá alakítja az elszórt kísérleti eredményeket. Ebből gépi tanulással megjósolja a legígéretesebb összetételeket, majd robotizált laboratóriumi eszközökkel el is készíti, megtisztítja és megméri az anyagokat - a kapott eredményeket visszatáplálva a modellbe, amely így egyre pontosabbá válik.
A rendszer tesztje elektroaktív polimerekre - feszültség hatására színt vagy átlátszóságot váltó anyagokra - fókuszált, amelyek okosablakok és kiterjesztett valóságú szemüvegek gyártásában játszhatnak szerepet. A kutatók két specifikus, ritkán dokumentált színárnyalatot - egy zöldet és egy narancssárgát - tűztek ki célul. Az Argonne-ban működő Polybot nevű robotplatform 72 órán belül, mindössze néhány tucat kísérlettel - egy több mint ezres lehetséges összetételekből álló keresési térből - megtalálta a célhoz legközelebb álló polimer-recepteket.
Ugyanez a megközelítés alkalmazható mechanikai, optikai és elektromos tulajdonságok tervezésére is, és elvben bármilyen anyagosztályra kiterjeszthető, ahol a kísérleti tér hatalmas, a próba-szerencse alapú kutatás pedig rendkívül költséges és időigényes. Az eredményeket a Journal of the American Chemical Society folyóiratban publikálták.