Google DeepMinds AI-platform, Graphical Networks for Material Exploration (GNoME), har forudsagt eksistensen af over 2 millioner nye materialer, hvoraf 700 er blevet sendt til laboratoriesyntese og yderligere test.
Dogus Cubuk, leder af materialeopdagelse hos Google DeepMind, forklarede formålet med undersøgelsen, som er udgivet i Nature"Selv om materialer spiller en meget vigtig rolle i næsten enhver teknologi, kender vi som menneskehed kun nogle få titusinder af stabile materialer."
GNoME fungerer på samme måde som DeepMinds AlphaFold-system til proteinfoldning, hvilket har revolutioneret biologisk forskning og opdagelse af lægemidler.
AI-værktøjet anvender to dybdelæringsmodeller til at generere og evaluere milliarder af potentielle materialestrukturer, herunder 421.000 stabile materialer.
Som en del af undersøgelsen har DeepMind i samarbejde med Lawrence Berkeley National Laboratory udviklet en autonomt laboratorium kendt som A-Lab. Det udnytter GNoME's opdagelser og integrerer robotteknologi med maskinlæring for at udvikle de nye materialer, som GNoME har identificeret.
Kristin Persson fra Berkeley Lab forklarede, hvordan GNoME fremskynder forskningsprocessen: "Hvis du er uheldig, kan det tage måneder eller endda år [at fremstille materialer]. Men A-Lab har ikke noget imod at fejle. Det bliver ved med at prøve og prøve."
Med hensyn til praktiske anvendelser kan A-Lab opdage materialer, der kan bruges til ren energi, computere og andre højteknologiske industrier.
Mere om studierne
Traditionelle tilgange til materialeopdagelse involverer forskere, der manuelt kombinerer elementer fra det periodiske system og ofte ændrer eksisterende strukturer for at opdage nye.
Det er ekstremt tidskrævende og ineffektivt på grund af det store antal mulige kombinationer og den begrænsede evne til at forudsige succesrater i stor skala.
DeepMind anvender maskinlæring i denne proces, hvilket muliggør iterativ opdagelse og afprøvning af millioner af stoffer.
- Innovativ tilgang med to deep-learning-modeller: DeepMind designede to innovative dybdelæringsmodeller. Den første model fik til opgave at generere mere end en milliard mulige materialestrukturer ved at ændre elementer i kendte materialer. Den anden model forudsagde materialers stabilitet udelukkende baseret på deres kemiske formler, helt uafhængigt af eksisterende materialestrukturer.
- Analyse og filtrering med GNoME-modeller: Det store udvalg af kandidatstrukturer, der blev genereret af disse to modeller, blev behandlet af DeepMinds GNoME-system. GNoME evaluerede hver strukturs nedbrydningsenergi, en kritisk indikator for materialestabilitet. Stabile materialer (dvs. som ikke let nedbrydes) blev anset for at være mere værdifulde til tekniske og praktiske anvendelser.
- Iterativ læring og forbedring af præcision: Hver runde af forudsigelser og analyser føres ind i den næste, hvilket forbedrer systemets nøjagtighed og effektivitet. I starten havde GNoME's forudsigelser af materialestabilitet en præcision på omkring 5%. Men denne præcision blev hurtigt forbedret for hver iteration og nåede op på over 80% for den første model og 33% for den anden.
- Syntese og validering i A-Lab: Efter materialeopdagelsen bestemte Berkeley Labs autonome laboratorium, kaldet A-Lab, hvordan man skulle skabe de foreslåede materialer. Efter hvert eksperiment justerede A-Lab sine formuleringer baseret på resultaterne. Det lykkedes dem at syntetisere 41 ud af 58 forbindelser.
Denne undersøgelse følger af en lignende undersøgelse fra tidligere i novemberhvor forskere byggede et autonomt AI-robotlaboratorium, der udviklede en katalysator til at producere ilt med minimal menneskelig indsats. Det ville gøre det muligt for robotter potentielt at skabe ilt på andre planeter, som Mars, før mennesker ankommer.
DeepMinds arbejde bidrager til et voksende udvalg af studier, der illustrerer, hvordan AI hurtigt kan opskalere undersøgelsen og produktionen af komplekse materialer og forbindelser. Det er utvivlsomt en af teknologiens vigtigste styrker.