Het AI-platform van Google DeepMind, Graphical Networks for Material Exploration (GNoME), heeft het bestaan voorspeld van meer dan 2 miljoen nieuwe materialen, waarvan er 700 zijn opgestuurd voor synthese in laboratoria en verdere tests.
Dogus Cubuk, de materials discovery lead bij Google DeepMind, legde het doel van het onderzoek uit, gepubliceerd in NatureHoewel materialen een zeer cruciale rol spelen in bijna elke technologie, kennen wij als mensheid slechts enkele tienduizenden stabiele materialen."
GNoME werkt hetzelfde als DeepMind's AlphaFold-systeem voor eiwitvouwing, wat een revolutie teweeg heeft gebracht in biologisch onderzoek en het ontdekken van medicijnen.
De AI-tool gebruikt twee deep-learning modellen om miljarden potentiële materiaalstructuren te genereren en te evalueren, waaronder 421.000 stabiele materialen.
Als onderdeel van het onderzoek heeft DeepMind, in samenwerking met Lawrence Berkeley National Laboratory, een autonoom laboratorium bekend als A-Lab. Het maakt gebruik van de ontdekkingen van GNoME en integreert robotica met machinaal leren om nieuwe materialen te ontwikkelen die door GNoME zijn geïdentificeerd.
Kristin Persson van Berkeley Lab legde uit hoe GNoME het onderzoeksproces versnelt: "Als je pech hebt, kan het maanden of zelfs jaren duren [om materialen te maken]. Maar het A-Lab vindt het niet erg om te falen. Het blijft proberen en proberen."
Wat praktische toepassingen betreft, zou A-Lab materialen kunnen ontdekken die bruikbaar zijn in schone energie, computers en andere high-tech industrieën.
Meer over de onderzoeken
Traditionele benaderingen voor het ontdekken van materialen houden in dat wetenschappers handmatig elementen uit het periodiek systeem combineren, waarbij ze vaak bestaande structuren aanpassen om nieuwe te ontdekken.
Dit is extreem tijdrovend en inefficiënt vanwege het enorme aantal mogelijke combinaties en de beperkte mogelijkheid om succespercentages op schaal te voorspellen.
DeepMind past machine learning toe op dit proces, waardoor miljoenen verbindingen iteratief ontdekt en getest kunnen worden.
- Innovatieve aanpak met twee deep-learning modellen: DeepMind ontwierp twee innovatieve deep-learning modellen. Het eerste model moest meer dan een miljard mogelijke materiaalstructuren genereren door elementen in bekende materialen te wijzigen. Het tweede model voorspelde de stabiliteit van materialen puur op basis van hun chemische formules, volledig onafhankelijk van bestaande materiaalstructuren.
- Analyseren en filteren met GNoME-modellen: Het enorme aantal kandidaatstructuren dat door deze twee modellen werd gegenereerd, werd verwerkt door het GNoME-systeem van DeepMind. GNoME evalueerde de ontbindingsenergie van elke structuur, een kritische indicator van de materiaalstabiliteit. Stabiele materialen (die niet gemakkelijk ontleden) werden waardevoller geacht voor technische en praktische toepassingen.
- Iteratief leren en precisieverbetering: Elke ronde van voorspellingen en analyses wordt in de volgende ronde verwerkt, waardoor de nauwkeurigheid en efficiëntie van het systeem worden verbeterd. In het begin hadden GNoME's voorspellingen voor materiaalstabiliteit een nauwkeurigheid van ongeveer 5%. Deze precisie verbeterde echter snel met elke iteratie en bereikte meer dan 80% voor het eerste model en 33% voor het tweede.
- Synthese en validatie in het A-Lab: Na de ontdekking van het materiaal bepaalde het autonome laboratorium van Berkeley Lab, A-Lab genaamd, hoe de voorgestelde materialen moesten worden gemaakt. Na elk experiment paste A-Lab zijn formules aan op basis van de resultaten. Ze slaagden erin 41 van de 58 verbindingen te synthetiseren.
Deze studie volgt uit een vergelijkbaar onderzoek van eerder in novemberwaar onderzoekers een autonoom AI-robotlaboratorium bouwden dat een katalysator ontwikkelde om zuurstof te produceren met minimale menselijke inbreng. Dit zou robots in staat stellen om mogelijk zuurstof te produceren op andere planeten, zoals Mars, voordat mensen arriveren.
Het werk van DeepMind draagt bij aan een groeiend aantal onderzoeken die illustreren hoe AI het onderzoek naar en de productie van complexe materialen en verbindingen snel kan opschalen. Dit is ongetwijfeld een van de sterkste punten van de technologie.
