Peneliti MIT mengembangkan teknik bernama SCIGEN yang memungkinkan model AI generatif menciptakan material kuantum dengan properti eksotik seperti superkonduktivitas.1 Teknologi ini mengatasi keterbatasan model populer dari Google, Microsoft, dan Meta yang cenderung hanya menghasilkan material stabil konvensional. Profesor Mingda Li menyatakan, "Kita tidak butuh 10 juta material baru untuk mengubah dunia. Kita hanya butuh satu material yang benar-benar bagus."
Terobosan dari Keterbatasan Model Existing
Model AI generatif material dari perusahaan besar telah membantu peneliti mendesain puluhan juta material baru dalam beberapa tahun terakhir. Namun mereka kesulitan saat harus menciptakan material dengan sifat kuantum eksotik.1 Ini masalah serius. Contohnya, penelitian quantum spin liquids—kelas material yang bisa merevolusi komputasi kuantum—sudah berjalan satu dekade tapi baru mengidentifikasi belasan kandidat material saja.
SCIGEN (Structural Constraint Integration in GENerative model) bekerja dengan memberikan aturan geometris pada model difusi AI. Kode komputer ini memastikan model mematuhi batasan yang ditentukan pengguna di setiap langkah generasi.1 Mouyang Cheng, mahasiswa PhD yang jadi co-corresponding author, menjelaskan pentingnya struktur Archimedean lattices yang bisa memunculkan quantum spin liquids dan flat bands. Material ini bisa meniru properti unsur tanah jarang tanpa menggunakan unsur tersebut.
Cara Kerja SCIGEN: Steering AI dengan Constraint
Properti material ditentukan strukturnya, begitu juga material kuantum. Struktur atomik tertentu lebih mungkin memunculkan properti kuantum eksotik dibanding struktur lain.1 Square lattices bisa jadi platform superkonduktor suhu tinggi. Bentuk Kagome dan Lieb lattices mendukung penciptaan material untuk komputasi kuantum.
Tim peneliti menerapkan SCIGEN pada model populer DiffCSP. Mereka meminta model menghasilkan material dengan pola geometris unik bernama Archimedean lattices—koleksi 2D lattice tilings dari berbagai poligon.1 Model menghasilkan lebih dari 10 juta kandidat material. Satu juta material lolos screening stabilitas. Menggunakan superkomputer di Oak Ridge National Laboratory, peneliti mengambil sampel 26.000 material dan menjalankan simulasi detail untuk memahami perilaku atom dasarnya.
| Tahap 🔬 | Jumlah Material | Proses | Hasil |
|---|---|---|---|
| Generasi Awal | 10+ juta | SCIGEN + DiffCSP | Kandidat dengan Archimedean lattices |
| Screening Stabilitas | 1 juta | Filter komputasional | Material berpotensi stabil |
| Simulasi Detail | 26.000 | Superkomputer ORNL | Analisis perilaku atomik |
| Temuan Magnetisme | ~10.600 | Simulasi lanjutan | 41% struktur menunjukkan magnetisme |
| Sintesis Aktual | 2 | Lab eksperimental | TiPdBi dan TiPbSb |
| Verifikasi | 2 | Pengujian properti | Prediksi AI selaras dengan realitas |
| Penemuan Magnetik 🧲 | 2 | Karakterisasi eksperimental | Sifat magnetik eksotik terkonfirmasi |
Hasil menunjukkan magnetisme pada 41 persen struktur yang disimulasikan.1 Dari subset itu, peneliti berhasil mensintesis dua senyawa yang sebelumnya tidak diketahui: TiPdBi dan TiPbSb di laboratorium Weiwei Xie dan Robert Cava. Eksperimen selanjutnya menunjukkan prediksi model AI sebagian besar selaras dengan properti material aktual.
Akselerasi Pencarian Quantum Spin Liquids
Quantum spin liquids bisa membuka komputasi kuantum dengan memungkinkan qubit yang stabil dan tahan error sebagai basis operasi kuantum.1 Tapi belum ada material quantum spin liquid yang dikonfirmasi sampai sekarang. Xie dan Cava percaya SCIGEN bisa mempercepat pencarian material ini.
"Ada pencarian besar untuk material komputer kuantum dan superkonduktor topologis, semua terkait pola geometris material," kata Xie.1 Cava menambahkan progres eksperimental sangat lambat. Banyak material quantum spin liquid harus memenuhi constraint—misalnya berada dalam triangular lattice atau Kagome lattice. Kalau material memenuhi constraint itu, peneliti kuantum jadi excited. Itu kondisi necessary tapi tidak sufficient. Jadi dengan menghasilkan banyak material seperti itu, langsung kasih eksperimentalis ratusan atau ribuan kandidat lebih untuk dimainkan guna mempercepat riset material komputer kuantum.
Peran Model Centaur dalam AI Modern
Studi terbaru tentang model "Centaur" mengungkap ilusi pemikiran tanpa pikiran dalam AI.2 Pendekatan ini mengingatkan kita bahwa meski AI bisa menghasilkan material baru, kolaborasi manusia-mesin tetap krusial. SCIGEN sendiri membutuhkan input constraint dari peneliti yang memahami fisika kuantum mendalam.
Metode AI untuk Prediksi yang Lebih Akurat
Dua metodologi AI baru divalidasi untuk meningkatkan prediksi kecepatan angin bagi wind farms, dilatih dengan data 13 tahun lebih.3 Prinsip serupa diterapkan SCIGEN: menggunakan data training ekstensif dan metodologi terstruktur untuk prediksi lebih akurat dibanding metode tradisional. Dalam kasus SCIGEN, constraint geometris memandu model menciptakan kandidat material dengan probabilitas sukses lebih tinggi.
Eksperimentasi Tetap Krusial
Peneliti menekankan eksperimentasi masih critical untuk menilai apakah material yang dihasilkan AI bisa disintesis dan bagaimana properti aktualnya dibanding prediksi model.1 Kerja masa depan pada SCIGEN bisa memasukkan aturan desain tambahan ke model generatif, termasuk constraint kimia dan fungsional.
Ryotaro Okabe, first author paper, mengatakan orang yang ingin mengubah dunia lebih peduli properti material dibanding stabilitas dan struktur material saja.1 Dengan pendekatan mereka, rasio material stabil memang turun, tapi itu membuka pintu untuk menghasilkan banyak material menjanjikan. Steve May dari Drexel University—yang tidak terlibat riset ini—berkomentar, "Pekerjaan ini menghadirkan tool baru yang memanfaatkan machine learning untuk memprediksi material mana yang punya elemen spesifik dalam pola geometris yang diinginkan."
Implikasi untuk Industri AI Generatif
Alibaba baru saja meluncurkan sistem computing pooling bernama Aegaeon yang dilaporkan mengurangi penggunaan GPU NVIDIA pada model AI mereka sebesar 82 persen.4 Efisiensi komputasi seperti ini penting karena training dan running model AI generatif memakan resource besar. SCIGEN menunjukkan pendekatan lain: alih-alih menghasilkan jutaan material untuk menemukan satu yang bagus, gunakan constraint untuk mengarahkan generasi sejak awal.
Microsoft juga baru mengungkap MAI-Image-1, model text-to-image generasi pertama mereka yang dikembangkan in-house.5 Langkah ini menandai fase baru dalam kemandirian AI Microsoft. Tren serupa terlihat dalam material science—institusi akademik seperti MIT mengembangkan tool specialized yang melengkapi model besar dari perusahaan teknologi.
Kesimpulan
SCIGEN membuka paradigma baru dalam desain material dengan AI generatif. Dengan memperkenalkan constraint geometris struktural, teknik ini memandu model menciptakan kandidat material kuantum eksotik yang sulit ditemukan lewat pendekatan konvensional. Sintesis sukses TiPdBi dan TiPbSb membuktikan viabilitas pendekatan ini. Meski rasio material stabil lebih rendah dibanding generasi tanpa constraint, kualitas kandidat jauh lebih tinggi untuk aplikasi quantum computing dan teknologi masa depan. Kerja ini didukung U.S. Department of Energy, National Energy Research Scientific Computing Center, National Science Foundation, dan Oak Ridge National Laboratory.1
Daftar Pustaka
- Winn, Zach. (2025, September 22). "New tool makes generative AI models more likely to create breakthrough materials". MIT News. https://news.mit.edu/2025/new-tool-makes-generative-ai-models-likely-create-breakthrough-materials-0922
- Psychology Today. (2025, October 16). "Artificial Intelligence and the Inversion of Intelligence". https://www.psychologytoday.com/us/blog/the-digital-self/202510/artificial-intelligence-and-the-inversion-of-intelligence
- MSN Technology. (2025, October 15). "Two AI methods can improve wind speed predictions for wind farms". https://www.msn.com/en-us/news/technology/two-ai-methods-can-improve-wind-speed-predictions-for-wind-farms/ar-AA1Oxdho
- NewsBytes. (2025, October 18). "Alibaba's Aegaeon cuts Nvidia GPU needs by 82%". https://www.newsbytesapp.com/news/science/alibaba-s-aegaeon-cuts-nvidia-gpu-needs-by-82/story
- MSN Money News. (2025, October 14). "What is MAI-Image-1: Microsoft's first in-house text-to-image generation AI model". https://www.msn.com/en-in/money/news/what-is-mai-image-1-microsoft-s-first-in-house-text-to-image-generation-ai-model/ar-AA1Oq5Hm
