La plateforme d'IA de Google DeepMind, Graphical Networks for Material Exploration (GNoME), a prédit l'existence de plus de 2 millions de nouveaux matériaux, dont 700 ont été envoyés pour être synthétisés et testés en laboratoire.
Dogus Cubuk, responsable de la découverte des matériaux chez Google DeepMind, a expliqué l'objectif de l'étude, qui est publié dans NatureBien que les matériaux jouent un rôle essentiel dans presque toutes les technologies, l'humanité ne connaît que quelques dizaines de milliers de matériaux stables.
GNoME fonctionne de la même manière que Le système AlphaFold de DeepMind pour le repliement des protéines, ce qui a révolutionné la recherche biologique et la découverte de médicaments.
L'outil d'IA emploie deux modèles d'apprentissage profond pour générer et évaluer des milliards de structures matérielles potentielles, dont 421 000 matériaux stables.
Dans le cadre de l'étude, DeepMind, en partenariat avec le Lawrence Berkeley National Laboratory, a mis au point un système d'analyse de l'ADN. laboratoire autonome connu sous le nom de A-Lab. Il exploite les découvertes de GNoME en intégrant la robotique et l'apprentissage automatique pour développer les nouveaux matériaux identifiés par GNoME.
Kristin Persson, du Berkeley Lab, explique comment GNoME accélère le processus de recherche : "Si vous n'avez pas de chance, cela peut prendre des mois, voire des années [pour fabriquer des matériaux]. Mais l'A-Lab n'a pas peur d'échouer. Il continue d'essayer et d'essayer.
En termes d'utilisations pratiques, A-Lab pourrait découvrir des matériaux utilisables dans les secteurs de l'énergie propre, de l'informatique et d'autres industries de haute technologie.
En savoir plus sur les études
Les approches traditionnelles de la découverte de matériaux impliquent que les scientifiques combinent manuellement des éléments du tableau périodique, en modifiant souvent les structures existantes pour en découvrir de nouvelles.
Cela prend énormément de temps et est inefficace en raison du grand nombre de combinaisons possibles et de la capacité limitée à prédire les taux de réussite à l'échelle.
DeepMind applique l'apprentissage automatique à ce processus, permettant la découverte et le test itératifs de millions de composés.
- Approche innovante avec deux modèles d'apprentissage profond: DeepMind a conçu deux modèles innovants d'apprentissage en profondeur. Le premier modèle a été chargé de générer plus d'un milliard de structures matérielles possibles en modifiant des éléments de matériaux connus. Le second modèle a prédit la stabilité des matériaux en se basant uniquement sur leurs formules chimiques, de manière totalement indépendante des structures matérielles existantes.
- Analyse et filtrage avec les modèles GNoME: Le vaste éventail de structures candidates générées par ces deux modèles a été traité par le système GNoME de DeepMind. GNoME a évalué l'énergie de décomposition de chaque structure, un indicateur essentiel de la stabilité des matériaux. Les matériaux stables (c'est-à-dire qui ne se décomposent pas facilement) ont été jugés plus utiles pour l'ingénierie et les applications pratiques.
- Apprentissage itératif et amélioration de la précision: Chaque série de prédictions et d'analyses est intégrée à la suivante, ce qui améliore la précision et l'efficacité du système. Au départ, les prévisions de GNoME concernant la stabilité des matériaux avaient une précision d'environ 5%. Cependant, cette précision s'est rapidement améliorée à chaque itération, atteignant plus de 80% pour le premier modèle et 33% pour le second.
- Synthèse et validation dans l'A-Lab: Après la découverte des matériaux, le laboratoire autonome du Berkeley Lab, appelé A-Lab, a déterminé comment créer les matériaux proposés. Après chaque expérience, A-Lab a ajusté ses formulations en fonction des résultats. Il a réussi à synthétiser 41 des 58 composés.
Cette étude fait suite à une étude similaire réalisée plus tôt en novembreoù les chercheurs ont construit un laboratoire autonome d'IA-robot qui a mis au point un catalyseur pour produire de l'oxygène avec un minimum d'intervention humaine. Cela permettrait aux robots de créer de l'oxygène sur d'autres planètes, comme Mars, avant l'arrivée de l'homme.
Les travaux de DeepMind contribuent à un nombre croissant d'études illustrant la façon dont l'IA peut rapidement augmenter la recherche et la production de matériaux et de composés complexes. C'est sans aucun doute l'un des principaux atouts de cette technologie.
