Google DeepMinds AI-plattform, Graphical Networks for Material Exploration (GNoME), har spådd eksistensen av over 2 millioner nye materialer, hvorav 700 er sendt til laboratoriesyntese og videre testing.
Dogus Cubuk, leder for materialoppdagelse hos Google DeepMind, forklarte formålet med studien, som er publisert i Nature"Selv om materialer spiller en svært viktig rolle i nesten all teknologi, kjenner vi som menneskehet bare noen titusener av stabile materialer."
GNoME fungerer på samme måte som DeepMinds AlphaFold-system for proteinfolding, noe som har revolusjonert biologisk forskning og oppdagelse av legemidler.
AI-verktøyet bruker to dybdelæringsmodeller for å generere og evaluere milliarder av potensielle materialstrukturer, inkludert 421 000 stabile materialer.
Som en del av studien har DeepMind, i samarbeid med Lawrence Berkeley National Laboratory, utviklet en autonomt laboratorium kjent som A-Lab. Den utnytter GNoMEs oppdagelser og integrerer robotteknologi med maskinlæring for å utvikle de nye materialene som GNoME har identifisert.
Kristin Persson ved Berkeley Lab forklarte hvordan GNoME fremskynder forskningsprosessen: "Hvis du er uheldig, kan det ta måneder eller til og med år [å lage materialer]. Men A-Lab har ikke noe imot å mislykkes. De fortsetter å prøve og prøve."
Når det gjelder praktisk bruk, kan A-Lab oppdage materialer som kan brukes i ren energi, databehandling og andre høyteknologiske industrier.
Mer om studiene
Tradisjonelle tilnærminger til materialoppdagelse innebærer at forskere manuelt kombinerer grunnstoffer fra det periodiske systemet, og ofte modifiserer eksisterende strukturer for å oppdage nye.
Dette er ekstremt tidkrevende og ineffektivt på grunn av det store antallet mulige kombinasjoner og den begrensede muligheten til å forutsi suksessraten i stor skala.
DeepMind bruker maskinlæring i denne prosessen, noe som muliggjør iterativ oppdagelse og testing av millioner av forbindelser.
- Innovativ tilnærming med to dyplæringsmodeller: DeepMind utviklet to innovative modeller for dyp læring. Den første modellen fikk i oppgave å generere mer enn en milliard mulige materialstrukturer ved å modifisere elementer i kjente materialer. Den andre modellen forutså stabiliteten til materialer utelukkende basert på deres kjemiske formler, helt uavhengig av eksisterende materialstrukturer.
- Analyse og filtrering med GNoME-modeller: Det enorme utvalget av kandidatstrukturer som ble generert av disse to modellene, ble behandlet gjennom DeepMinds GNoME-system. GNoME evaluerte hver strukturs nedbrytningsenergi, en kritisk indikator på materialets stabilitet. Stabile materialer (dvs. som ikke brytes ned så lett) ble ansett som mer verdifulle for tekniske og praktiske anvendelser.
- Iterativ læring og forbedring av presisjon: Hver runde med prediksjoner og analyser mates inn i den neste, noe som forbedrer systemets nøyaktighet og effektivitet. Til å begynne med hadde GNoMEs prediksjoner for materialstabilitet en presisjon på rundt 5%. Denne presisjonen ble imidlertid raskt forbedret for hver iterasjon, og nådde over 80% for den første modellen og 33% for den andre.
- Syntese og validering i A-Lab: Etter at materialet var oppdaget, bestemte Berkeley Labs autonome laboratorium, kalt A-Lab, hvordan de foreslåtte materialene skulle fremstilles. Etter hvert eksperiment justerte A-Lab formuleringene basert på resultatene. De lyktes med å syntetisere 41 av 58 forbindelser.
Denne studien følger av en lignende studie fra tidligere i novemberhvor forskerne bygget et autonomt AI-robotlaboratorium som utviklet en katalysator for å produsere oksygen med minimal menneskelig innsats. Dette vil gjøre det mulig for roboter å produsere oksygen på andre planeter, som Mars, før menneskene ankommer.
DeepMinds arbeid bidrar til et voksende utvalg av studier som illustrerer hvordan kunstig intelligens raskt kan oppskalere undersøkelser og produksjon av komplekse materialer og forbindelser. Det er utvilsomt en av teknologiens viktigste styrker.
