La piattaforma AI di Google DeepMind, Graphical Networks for Material Exploration (GNoME), ha previsto l'esistenza di oltre 2 milioni di nuovi materiali, 700 dei quali sono stati inviati alla sintesi in laboratorio e a ulteriori test.
Dogus Cubuk, responsabile della scoperta dei materiali presso Google DeepMind, ha spiegato lo scopo dello studio, pubblicato su NatureSebbene i materiali svolgano un ruolo fondamentale in quasi tutte le tecnologie, l'umanità conosce solo poche decine di migliaia di materiali stabili".
GNoME funziona in modo simile a Il sistema AlphaFold di DeepMind per il ripiegamento delle proteine, che ha rivoluzionato la ricerca biologica e la scoperta di farmaci.
Lo strumento di intelligenza artificiale impiega due modelli di apprendimento profondo per generare e valutare miliardi di potenziali strutture di materiali, tra cui 421.000 materiali stabili.
Nell'ambito di questo studio, DeepMind, in collaborazione con il Lawrence Berkeley National Laboratory, ha sviluppato un sistema di laboratorio autonomo noto come A-Lab. Sfrutta le scoperte del GNoME, integrando la robotica con l'apprendimento automatico per sviluppare i nuovi materiali identificati dal GNoME.
Kristin Persson del Berkeley Lab ha spiegato come GNoME acceleri il processo di ricerca: "Se si è sfortunati, possono volerci mesi o addirittura anni [per produrre materiali]. Ma all'A-Lab non importa fallire. Continua a provare e riprovare".
In termini di usi pratici, l'A-Lab potrebbe scoprire materiali utilizzabili nell'energia pulita, nell'informatica e in altre industrie high-tech.
Per saperne di più sugli studi
Gli approcci tradizionali alla scoperta dei materiali prevedono che gli scienziati combinino manualmente gli elementi della tavola periodica, spesso modificando le strutture esistenti per scoprirne di nuove.
Si tratta di un'operazione estremamente dispendiosa in termini di tempo e inefficiente, a causa del vasto numero di combinazioni possibili e della limitata capacità di prevedere i tassi di successo su scala.
DeepMind applica l'apprendimento automatico a questo processo, consentendo la scoperta e la sperimentazione iterativa di milioni di composti.
- Approccio innovativo con due modelli di deep-learning: DeepMind ha progettato due innovativi modelli di apprendimento profondo. Il primo modello aveva il compito di generare più di un miliardo di possibili strutture di materiali modificando elementi di materiali noti. Il secondo modello prevedeva la stabilità dei materiali basandosi esclusivamente sulle loro formule chimiche, in modo del tutto indipendente dalle strutture dei materiali esistenti.
- Analisi e filtraggio con i modelli GNoME: La vasta gamma di strutture candidate generate da questi due modelli è stata elaborata attraverso il sistema GNoME di DeepMind. GNoME ha valutato l'energia di decomposizione di ogni struttura, un indicatore critico della stabilità del materiale. I materiali stabili (cioè che non si decompongono facilmente) sono stati considerati più validi per l'ingegneria e le applicazioni pratiche.
- Apprendimento iterativo e miglioramento della precisione: Ogni serie di previsioni e analisi viene alimentata dalla successiva, migliorando la precisione e l'efficienza del sistema. Inizialmente, le previsioni di GNoME sulla stabilità dei materiali avevano una precisione di circa 5%. Tuttavia, questa precisione è migliorata rapidamente a ogni iterazione, raggiungendo oltre 80% per il primo modello e 33% per il secondo.
- Sintesi e validazione nel Laboratorio A: Dopo la scoperta dei materiali, il laboratorio autonomo del Berkeley Lab, chiamato A-Lab, ha determinato come creare i materiali proposti. Dopo ogni esperimento, l'A-Lab ha adattato le sue formulazioni in base ai risultati. Sono stati sintetizzati con successo 41 dei 58 composti.
Questo studio fa seguito ad un uno studio analogo, pubblicato all'inizio di novembredove i ricercatori hanno costruito un laboratorio autonomo di intelligenza artificiale che ha sviluppato un catalizzatore per la produzione di ossigeno con il minimo contributo umano. Ciò consentirebbe ai robot di creare ossigeno su altri pianeti, come Marte, prima dell'arrivo dell'uomo.
Il lavoro di DeepMind contribuisce a una crescente selezione di studi che illustrano come l'IA possa scalare rapidamente l'indagine e la produzione di materiali e composti complessi. È senza dubbio uno dei punti di forza della tecnologia.