Die KI-Plattform von Google DeepMind, Graphical Networks for Material Exploration (GNoME), hat die Existenz von über 2 Millionen neuen Materialien vorhergesagt, von denen 700 zur Laborsynthese und zu weiteren Tests geschickt wurden.
Dogus Cubuk, der Leiter der Materialforschung bei Google DeepMind, erklärte den Zweck der Studie, die in Nature veröffentlicht wurdeObwohl Materialien in fast jeder Technologie eine entscheidende Rolle spielen, kennen wir als Menschheit nur einige zehntausend stabile Materialien".
GNoME funktioniert ähnlich wie Das AlphaFold-System von DeepMind für die Proteinfaltung, die die biologische Forschung und die Arzneimittelentdeckung revolutioniert hat.
Das KI-Tool setzt zwei Deep-Learning-Modelle ein, um Milliarden potenzieller Materialstrukturen zu generieren und zu bewerten, darunter 421.000 stabile Materialien.
Im Rahmen der Studie hat DeepMind in Zusammenarbeit mit dem Lawrence Berkeley National Laboratory ein eigenständiges Labor bekannt als A-Lab. Es nutzt die Entdeckungen von GNoME und integriert Robotik mit maschinellem Lernen, um die von GNoME identifizierten neuen Materialien zu entwickeln.
Kristin Persson vom Berkeley Lab erklärte, wie GNoME den Forschungsprozess beschleunigt: "Wenn man Pech hat, kann es Monate oder sogar Jahre dauern [um Materialien herzustellen]. Aber dem A-Lab macht es nichts aus zu scheitern. Es versucht und versucht."
Was die praktischen Anwendungen betrifft, so könnte das A-Lab Materialien entdecken, die in der sauberen Energie, in der Computerbranche und in anderen High-Tech-Industrien eingesetzt werden können.
Mehr über die Studien
Bei den herkömmlichen Ansätzen zur Entdeckung von Materialien kombinieren die Wissenschaftler Elemente aus dem Periodensystem manuell und verändern oft bestehende Strukturen, um neue zu entdecken.
Dies ist äußerst zeitaufwändig und ineffizient, da es eine große Anzahl möglicher Kombinationen gibt und die Erfolgsquoten in großem Maßstab nur begrenzt vorhersehbar sind.
DeepMind wendet bei diesem Prozess maschinelles Lernen an und ermöglicht so die iterative Entdeckung und Prüfung von Millionen von Verbindungen.
- Innovativer Ansatz mit zwei Deep-Learning-Modellen: DeepMind entwickelte zwei innovative Deep-Learning-Modelle. Das erste Modell hatte die Aufgabe, mehr als eine Milliarde möglicher Materialstrukturen zu generieren, indem es Elemente in bekannten Materialien veränderte. Das zweite Modell prognostizierte die Stabilität von Materialien allein auf der Grundlage ihrer chemischen Formeln, völlig unabhängig von bestehenden Materialstrukturen.
- Analysieren und Filtern mit GNoME-Modellen: Die riesige Auswahl an Strukturkandidaten, die von diesen beiden Modellen generiert wurde, wurde durch das GNoME-System von DeepMind verarbeitet. GNoME bewertete die Zersetzungsenergie jeder Struktur, ein wichtiger Indikator für die Materialstabilität. Stabile Materialien (d. h. solche, die sich nicht leicht zersetzen) wurden als wertvoller für technische und praktische Anwendungen eingestuft.
- Iteratives Lernen und Verbesserung der Präzision: Jede Runde von Vorhersagen und Analysen fließt in die nächste ein, was die Genauigkeit und Effizienz des Systems erhöht. Anfangs hatten die Vorhersagen von GNoME für die Materialstabilität eine Genauigkeit von etwa 5%. Diese Genauigkeit verbesserte sich jedoch mit jeder Iteration rasch und erreichte über 80% für das erste Modell und 33% für das zweite.
- Synthese und Validierung im A-Lab: Nach der Entdeckung von Materialien hat das autonome Labor von Berkeley Lab, das sogenannte A-Lab, festgelegt, wie die vorgeschlagenen Materialien hergestellt werden können. Nach jedem Experiment passte das A-Lab seine Rezepturen auf der Grundlage der Ergebnisse an. 41 von 58 Verbindungen wurden erfolgreich synthetisiert.
Diese Studie geht auf eine ähnliche Studie von Anfang Novemberin dem Forscher ein autonomes KI-Roboterlabor gebaut haben, das einen Katalysator zur Herstellung von Sauerstoff mit minimalem menschlichen Einsatz entwickelt hat. Dies würde es Robotern ermöglichen, auf anderen Planeten, wie z. B. dem Mars, Sauerstoff zu erzeugen, bevor der Mensch dort ankommt.
Die Arbeit von DeepMind trägt zu einer wachsenden Zahl von Studien bei, die zeigen, wie KI die Erforschung und Herstellung komplexer Materialien und Verbindungen schnell vergrößern kann. Dies ist zweifellos eine der Hauptstärken der Technologie.
