La plataforma de IA de Google DeepMind, Graphical Networks for Material Exploration (GNoME), ha predicho la existencia de más de 2 millones de nuevos materiales, de los cuales 700 han sido enviados para su síntesis en laboratorio y posterior ensayo.
Dogus Cubuk, responsable de descubrimiento de materiales en Google DeepMind, explicó el propósito del estudio, que se publica en Nature; "Aunque los materiales desempeñan un papel muy crítico en casi cualquier tecnología, como humanidad sólo conocemos unas pocas decenas de miles de materiales estables".
GNoME funciona de forma similar a Sistema AlphaFold de DeepMind para el plegamiento de proteínas, que ha revolucionado la investigación biológica y el descubrimiento de fármacos.
La herramienta de IA emplea dos modelos de aprendizaje profundo para generar y evaluar miles de millones de posibles estructuras de materiales, incluidos 421.000 materiales estables.
Como parte del estudio, DeepMind, en colaboración con el Laboratorio Nacional Lawrence Berkeley, ha desarrollado un laboratorio autónomo conocido como A-Lab. Aprovecha los descubrimientos de GNoME, integrando la robótica con el aprendizaje automático para desarrollar los nuevos materiales identificados por GNoME.
Kristin Persson, del Laboratorio de Berkeley, explicó cómo GNoME acelera el proceso de investigación: "Si tienes mala suerte, puedes tardar meses o incluso años [en fabricar materiales]. Pero al A-Lab no le importa fracasar. Sigue intentándolo una y otra vez".
En términos de usos prácticos, el A-Lab podría descubrir materiales utilizables en energías limpias, informática y otras industrias de alta tecnología.
Más información sobre los estudios
Los métodos tradicionales de descubrimiento de materiales implican que los científicos combinen manualmente elementos de la tabla periódica, a menudo modificando estructuras existentes para descubrir otras nuevas.
Esto lleva mucho tiempo y es ineficaz debido al gran número de combinaciones posibles y a la limitada capacidad de predecir las tasas de éxito a escala.
DeepMind aplica el aprendizaje automático a este proceso, lo que permite el descubrimiento iterativo y el ensayo de millones de compuestos.
- Enfoque innovador con dos modelos de aprendizaje profundo: DeepMind diseñó dos innovadores modelos de aprendizaje profundo. El primer modelo se encargó de generar más de mil millones de posibles estructuras de materiales modificando elementos de materiales conocidos. El segundo modelo predijo la estabilidad de los materiales basándose únicamente en sus fórmulas químicas, con total independencia de las estructuras de los materiales existentes.
- Análisis y filtrado con modelos GNoME: La gran variedad de estructuras candidatas generadas por estos dos modelos se procesó mediante el sistema GNoME de DeepMind. GNoME evaluó la energía de descomposición de cada estructura, un indicador crítico de la estabilidad del material. Los materiales estables (es decir, que no se descomponen fácilmente) se consideraron más valiosos para la ingeniería y las aplicaciones prácticas.
- Aprendizaje iterativo y mejora de la precisión: Cada ronda de predicciones y análisis se alimenta de la siguiente, lo que aumenta la precisión y eficacia del sistema. Al principio, las predicciones de GNoME sobre la estabilidad de los materiales tenían una precisión de unos 5%. Sin embargo, esta precisión mejoró rápidamente con cada iteración, alcanzando más de 80% para el primer modelo y 33% para el segundo.
- Síntesis y validación en el A-Lab: Tras el descubrimiento de materiales, el laboratorio autónomo de Berkeley Lab, denominado A-Lab, determinaba cómo crear los materiales propuestos. Después de cada experimento, el A-Lab ajustaba sus fórmulas en función de los resultados. Sintetizaron con éxito 41 de los 58 compuestos.
Este estudio es consecuencia de un estudio similar de principios de noviembreen el que los investigadores construyeron un laboratorio autónomo IA-robot que desarrolló un catalizador para producir oxígeno con una intervención humana mínima. Esto permitiría a los robots crear oxígeno en otros planetas, como Marte, antes de la llegada de los humanos.
El trabajo de DeepMind contribuye a una creciente selección de estudios que ilustran cómo la IA puede ampliar rápidamente la investigación y producción de materiales y compuestos complejos. Es, sin duda, uno de los puntos fuertes de la tecnología.
