Yapay zeka teknolojilerinin kimya alanındaki uygulamalarından bir yenisi, enerjetik malzeme tasarımında önemli bir ilerleme kaydetti. Araştırmacılar, Domain-Gated Latent Diffusion (DGLD) adını verdikleri yeni bir yaklaşımla, 15 yıldır geliştirilemeyen HMX sınıfı patlayıcı bileşiklerde yenilik yaratmayı başardı.
Enerjetik malzemeler, roket yakıtlarından sivil amaçlı gaz jeneratörlerine kadar geniş bir kullanım alanına sahip. Bu malzemelerdeki performans artışları, doğrudan yakıt kütlesinde azalma ve sistemlerde verimlilik artışı anlamına geliyor. Ancak bu alandaki gelişmeler son yıllarda durma noktasına gelmişti.
Araştırma ekibi, yaklaşık 66 bin etiketli CHNO molekülü içeren veri setinden yararlandı. Ancak bunların sadece 3 bini deneysel veya yoğunluk fonksiyonel teorisi kalitesinde ölçümlere sahipti. Geleneksel üretici modeller bu karışık veri ile eğitildiğinde ya yüksek performanslı molekülleri ezberliyor ya da güvenilmez tahminlerde bulunuyordu.
DGLD sistemi bu sorunu, eğitim sırasında etiket kalitesi kontrolü ve örnekleme sırasında çok görevli rehberlik kullanarak çözdü. Dört aşamalı kimyasal doğrulama süreci sonunda 12 yeni potansiyel bileşik keşfedildi. Bunlar arasında öne çıkan 3,4,5-trinitro-1,2-isoksazol molekülü, 2.09 g/cm³ yoğunluk ve 8.25 km/s patlama hızıyla dikkat çekiyor.