Komputer, który kłamie. Zaprojektował prawdziwy kryształ

Maszyna, która zmyśla, i maszyna, która odkrywa

W 2023 roku amerykański prawnik Steven Schwartz złożył w sądzie pismo pełne orzeczeń, które nigdy nie zapadły. Napisał je za niego ChatGPT. Sędzia Kevin Castel ukarał go grzywną, a świat poznał słowo „halucynacja" w nowym znaczeniu: sztuczna inteligencja zmyśla — i robi to z kamienną twarzą.

Dwa lata później inny model AI zaproponował kryształ, którego nie było w żadnej bazie danych na Ziemi — wśród 850 tysięcy struktur gromadzonych przez dziesięciolecia pracy chemików. Chemicy w laboratorium w Chinach go zsyntetyzowali. Kryształ istnieje. Można go wziąć do ręki.

Te dwa fakty nie powinny być prawdziwe jednocześnie. Maszyna, która zmyśla, i maszyna, która odkrywa. A jednak.

To historia o tym, jak największa wada sztucznej inteligencji stała się jej największą zaletą.

Dlaczego szukanie nowego materiału trwało całe pokolenia

Przez sto lat chemia materiałowa opierała się na metodzie prób i błędów. Thomas Edison przetestował tysiące włókien do żarówki, zanim trafił na zwęglony bambus. Od odkrycia nowego materiału w laboratorium do produktu na półce mija średnio dwadzieścia lat. Powód jest prosty: przestrzeń możliwych kryształów jest astronomicznie wielka, a ręce ludzkie są tylko dwie.

Największe bazy danych — Materials Project i Alexandria — zawierają łącznie nieco ponad milion opisanych struktur. Brzmi imponująco. To jednak mniej niż kropla w oceanie: liczbę potencjalnie stabilnych związków nieorganicznych szacuje się na dziesiątki cyfr, rzędu 10 do potęgi 60. Dla porównania — atomów w obserwowalnym Wszechświecie jest około 10 do potęgi 80. My znamy zaledwie milion.

Klasyczne podejście do projektowania materiałów polega na przesiewaniu: przeszukujesz milion znanych struktur i wybierasz najlepszą. Tyle że przesiewanie nie pozwala wyjść poza to, co już znamy. Nie znajdzie materiału, którego nikt nigdy nie zapisał w bazie. A właśnie takich materiałów potrzebujemy — lepszych baterii, tańszych katalizatorów, magnesów bez pierwiastków ziem rzadkich.

Od szumu do kryształu

W styczniu 2025 roku zespół z Microsoft Research opublikował w „Nature" model o nazwie MatterGen. Jego pomysł jest zdumiewająco prosty, jeśli zrozumie się jedną rzecz: model dyfuzyjny.

Wyobraź sobie rozmazaną plamę atramentu na kartce. Model dyfuzyjny to maszyna, która nauczyła się odwracać rozmywanie — krok po kroku usuwa szum, aż z chaosu wyłoni się ostry obraz. Tak działają generatory obrazów. MatterGen robi dokładnie to samo, tyle że zamiast pikseli odszumia kryształ: kolejno odgaduje, jakie atomy, w jakich pozycjach i w jakiej komórce elementarnej powinny się znaleźć. Z czystego szumu. Od zera.

Kratka to klucz. Kryształ nie jest przypadkowym zlepkiem — to jednostka powtarzająca się w nieskończoność, niczym wzór na tapecie. Model musi tę symetrię uszanować, inaczej wygeneruje strukturę, która w rzeczywistości nie istnieje. Microsoft wytrenował MatterGen na 607 683 stabilnych strukturach z baz Materials Project i Alexandria, a następnie pozwolił mu generować nowe.

Efekt? Spośród wygenerowanych struktur 78 procent po weryfikacji mieści się w granicy 0,1 elektronowolta na atom od minimum energetycznego. Laikowi to nic nie mówi — chemikowi mówi wszystko: to kryształ, który nie rozpadnie się w rękach. 61 procent wygenerowanych struktur jest nowych, czyli nieobecnych w żadnej bazie. Model odkrył na nowo ponad dwa tysiące realnych, zsyntezowanych wcześniej materiałów, których nigdy nie widział w treningu.

W porównaniu z wcześniejszymi generatorami struktur krystalicznych MatterGen jest ponad dwukrotnie skuteczniejszy w tworzeniu struktur jednocześnie stabilnych, unikalnych i nowych — a zarazem dziesięciokrotnie bliższy minimum energetycznemu. To nie jest kosmetyczna poprawa. To skok.

Model, który nie widział probówki, projektuje magnes bez Chin

Najmocniejsza sztuczka MatterGen nie polega na generowaniu przypadkowych kryształów. Polega na sterowaniu.

Model można dostroić tak, by celował w konkretną cechę. Zespół Microsoftu wytrenował go na 605 tysiącach struktur z wyliczoną gęstością magnetyczną i kazał mu szukać materiału o wartości 0,20 angstremów do minus trzeciej — pułapu, przy którym zaczynają się magnesy trwałe. Wytrenował też wersję wyszukującą materiał o ściśliwości 400 gigapaskali, czyli supertwardy. W tym drugim zadaniu MatterGen znalazł 106 struktur spełniających warunek, zużywając budżet 180 obliczeń kwantowych. Klasyczne przesiewanie w tym samym budżecie znalazło 40.

Potem nastąpiło coś, co ma znaczenie geopolityczne. Naukowcy kazali modelowi zaprojektować magnes o niskim ryzyku dostaw — taki, który nie wymaga pierwiastków ziem rzadkich kontrolowanych przez Chiny. MatterGen, poproszony o połączenie wysokiej gęstości magnetycznej z niskim wskaźnikiem koncentracji dostaw, po prostu wyeliminował ze swoich propozycji kobalt i gadolin. Bez ludzkiej podpowiedzi. Sam odkrył, że tych dwóch metali lepiej nie ruszać.

Paradoks rozwiązany: halucynacja, która przechodzi przez sito fizyki

Wróćmy do paradoksu. Jak maszyna, która słynie ze zmyślania, może projektować materiały lepsze niż te podpowiedziane przez ludzką intuicję? Odpowiedź nie jest taka, jakiej można by się spodziewać: MatterGen wcale nie przestał halucynować. Nauczył się halucynować pożytecznie.

Model generuje tysiące propozycji. Większość z nich to śmieci — podobnie jak większość zdań, które wymyśla chatbot, to bzdury. Różnica tkwi w sicie, które je przesiewa. Każda struktura zostaje poddana obliczeniom kwantowym zwanym teorią funkcjonału gęstości. To symulacja, która przewiduje, gdzie elektrony „chcą" przebywać — i czy dany układ atomów utrzyma się w całości, czy się rozsypie.

Wyobraź sobie sito o oczkach tak drobnych, że przechodzą przez nie wyłącznie struktury leżące na dnie energetycznej doliny. Materiał na zboczu doliny to materiał niestabilny — stoczy się, czyli przereaguje w coś innego. MatterGen wrzuca w to sito tysiące „halucynacji", a fizyka przepuszcza tylko te, które mają prawo istnieć.

I tu przychodzi moment olśnienia: halucynacja, która przejdzie przez sito fizyki, przestaje być halucynacją. Staje się kandydatem.

TaCr₂O₆: dowód rzeczowy

Każde twierdzenie o cudach wymaga dowodu. Zespół Microsoftu postanowił go dostarczyć — fizycznie, w tyglu.

Naukowcy polecili modelowi zaprojektować materiał o module ściśliwości 200 gigapaskali. To ogromna wartość — oznacza materiał, który pod ciśnieniem niemal nie zmienia objętości. Model wygenerował 8 192 kandydatów. Filtry — unikalność, nowość, stabilność kwantowa — zawęziły pulę do 75. Eksperci wybrali cztery do syntezy.

Udała się jedna.

Materiał o wzorze TaCr₂O₆ — tlenek tantalu i chromu — został zsyntezowany w laboratorium. Teoria przewidywała ściśliwość 222 gigapaskali. Pomiar, z uwzględnieniem nieidealnej próbki, dał 169 gigapaskali. Cel wynosił 200. Trafienie w granicach dwudziestu procent.

Słowo „halucynacja" traci tu moc. Materiał, który istniał wyłącznie jako ciąg liczb w pamięci modelu, przeszedł do świata rzeczywistego. Został zważony, zmielony, zmierzony dyfraktometrem rentgenowskim.

Na marginesie: w trakcie tych poszukiwań model po cichu odnalazł 101 materiałów zarejestrowanych wcześniej w krystalograficznej bazie ICSD, których nie było w jego danych treningowych. Nie znał ich. Po prostu wymyślił je na nowo — jak uczeń, który samodzielnie wyprowadza twierdzenie, którego nigdy mu nie pokazano.

Wyścig, w którym grają najwięksi

MatterGen nie jest odosobniony. Wyścig o „generatywne materiały" stał się jednym z najgorętszych frontów sztucznej inteligencji.

Google DeepMind ogłosił GNoME — model, który wygenerował 2,2 miliona nowych struktur krystalicznych i wskazał 380 tysięcy stabilnych. Meta oraz kilkanaście uniwersytetów rozwijają własne generatory. Stawka jest konkretna: lepsza bateria to dziesiątki miliardów dolarów rynku, tańszy katalizator to zmiana ekonomii całego przemysłu chemicznego, magnes bez neodymu to uniezależnienie się od Chin.

Microsoft postawił na coś, czego konkurenci nie zrobili: eksperyment. GNoME podał liczby na papierze. MatterGen dostarczył kryształ do ręki. Różnica między „model przewidział" a „laboratorium potwierdziło" to przepaść, którą inwestorzy potrafią zmierzyć w dolarach.

Microsoft już pokazał, ile to jest warte. Rok przed publikacją MatterGen, wspólnie z Pacific Northwest National Laboratory, przesiało 32 miliony kandydatów i znalazło nowy elektrolit do baterii — materiał, który zużywa o 70 procent mniej litu. Poszukiwania zajęły nie miesiące, lecz osiemdziesiąt godzin. To była zapowiedź. MatterGen to akt drugi.

Kod MatterGen jest otwarty. Każdy może go pobrać z GitHubu i uruchomić na własnym problemie. To ważne — oznacza bowiem, że wyścig nie jest zarezerwowany dla Doliny Krzemowej.

Polska ma Grzybowskiego. Nie ma MatterGen

Polska nie ma własnego MatterGen. Ma za to Bartosza Grzybowskiego — chemika z Polskiej Akademii Nauk, który dekadę temu zbudował Chematikę, program do planowania syntezy chemicznej. Firma Merck kupiła licencję i sprzedaje go dziś jako Synthię. Grzybowski, związany z Instytutem Chemii Organicznej PAN i IBS w Korei Południowej, jest jednym z najczęściej cytowanych chemików na świecie — dowód, że polska myśl potrafi stać za światowym przełomem w AI dla chemii.

AGH w Krakowie rozwija metody informatyczne i uczenie maszynowe na potrzeby badań nad nadprzewodnikami. IDEAS NCBR, powołane do budowy polskiej sztucznej inteligencji, finansuje doktoraty na pograniczu AI i nauk ścisłych. Politechnika Warszawska i Politechnika Wrocławska kształcą pokolenia badaczy, którzy dziś pracują w laboratoriach Microsoftu i Google'a — za granicą.

Paradoks jest dobrze znany: Polska eksportuje talenty, importuje technologie. Ale MatterGen jest otwarty. Polski doktorant może dziś pobrać model, wytrenować go na danych o bateriach sodowych lub katalizatorach — czyli dokładnie tam, gdzie polskie firmy walczą o przewagę — i zacząć projektować materiały, których nie ma w żadnej bazie. Bariera wejścia spadła z miliarda dolarów do ceny karty graficznej.

Pieniądze też są – trzeba tylko po nie sięgnąć. Narodowe Centrum Badań i Rozwoju prowadzi Ścieżkę SMART, z której przedsiębiorstwa finansują projekty B+R; Narodowe Centrum Nauki oferuje konkursy OPUS i MAESTRO dla zespołów łączących chemię z uczeniem maszynowym. To nie są kwoty, które pozwoliłyby kupić superkomputer Microsoftu, ale wystarczą na pierwsze generatywne materiały z polskim adresem.

Wybór jest prosty: za dwa lata polski zespół albo korzysta z generatywnego modelu materiałów, albo konkuruje z zespołem, który z niego korzysta. Tej drugiej rywalizacji nikt na dłuższą metę nie wygra.

Steven Schwartz przegrał sprawę, bo zaufał maszynie, która zmyśla. Chemicy z Shenzhen wygrali, bo zrobili dokładnie to samo — zaufali maszynie, która zmyśla. Różnica? Oni przepuścili jej zmyślenia przez sito fizyki, zanim w nie uwierzyli. To jest umiejętność, której będzie potrzebował każdy, kto chce pracować z AI: nie odróżniać prawdy od fikcji, lecz wiedzieć, kiedy fikcja ma prawo stać się prawdą.

Źródła

Zeni C., Pinsler R., Zügner D. i in., A generative model for inorganic materials design, Nature (2025). DOI: 10.1038/s41586-025-08628-5

Merchant A., Batzner S., Schoenholz S.S. i in., Scaling deep learning for materials discovery, Nature (2023). DOI: 10.1038/s41586-023-06735-9

Jain A., Ong S.P., Hautier G. i in., Commentary: The Materials Project, APL Materials (2013). DOI: 10.1063/1.4812323

Xie T., Fu X., Ganea O.-E. i in., Crystal Diffusion Variational Autoencoder for Periodic Material Generation, ICLR (2022). arXiv: 2110.06197