A plataforma de inteligência artificial da Google DeepMind, Graphical Networks for Material Exploration (GNoME), previu a existência de mais de 2 milhões de novos materiais, dos quais 700 foram enviados para síntese em laboratório e testes adicionais.
Dogus Cubuk, responsável pela descoberta de materiais na Google DeepMind, explicou o objetivo do estudo, publicado na revista NatureEmbora os materiais desempenhem um papel muito importante em quase todas as tecnologias, nós, enquanto humanidade, conhecemos apenas algumas dezenas de milhares de materiais estáveis".
O GNoME funciona de forma semelhante ao Sistema AlphaFold da DeepMind para a dobragem de proteínas, que revolucionou a investigação biológica e a descoberta de medicamentos.
A ferramenta de IA utiliza dois modelos de aprendizagem profunda para gerar e avaliar milhares de milhões de potenciais estruturas de materiais, incluindo 421 000 materiais estáveis.
No âmbito do estudo, a DeepMind, em parceria com o Laboratório Nacional Lawrence Berkeley, desenvolveu um laboratório autónomo conhecido como A-Lab. Este laboratório tira partido das descobertas do GNoME, integrando a robótica com a aprendizagem automática para desenvolver os novos materiais identificados pelo GNoME.
Kristin Persson, do Berkeley Lab, explicou como o GNoME acelera o processo de investigação: "Se não tivermos sorte, podemos levar meses ou mesmo anos [para fabricar materiais]. Mas o A-Lab não se importa de falhar. Continua a tentar e a tentar".
Em termos de utilizações práticas, o A-Lab poderá descobrir materiais utilizáveis em energia limpa, computação e outras indústrias de alta tecnologia.
Mais informações sobre os estudos
As abordagens tradicionais à descoberta de materiais implicam que os cientistas combinem manualmente elementos da tabela periódica, modificando frequentemente estruturas existentes para descobrir novas.
Isto é extremamente moroso e ineficaz devido ao vasto número de combinações possíveis e à capacidade limitada de prever taxas de sucesso à escala.
O DeepMind aplica a aprendizagem automática a este processo, permitindo a descoberta iterativa e o teste de milhões de compostos.
- Abordagem inovadora com dois modelos de aprendizagem profunda: A DeepMind concebeu dois modelos inovadores de aprendizagem profunda. O primeiro modelo foi encarregado de gerar mais de um bilião de estruturas materiais possíveis através da modificação de elementos em materiais conhecidos. O segundo modelo previu a estabilidade dos materiais com base apenas nas suas fórmulas químicas, completamente independente das estruturas materiais existentes.
- Análise e filtragem com modelos GNoME: A vasta gama de estruturas candidatas geradas por estes dois modelos foi processada através do sistema GNoME do DeepMind. O GNoME avaliou a energia de decomposição de cada estrutura, um indicador crítico da estabilidade do material. Os materiais estáveis (ou seja, que não se decompõem facilmente) foram considerados mais valiosos para aplicações práticas e de engenharia.
- Aprendizagem iterativa e melhoria da precisão: Cada ronda de previsões e análises é alimentada na ronda seguinte, aumentando a precisão e a eficiência do sistema. Inicialmente, as previsões do GNoME para a estabilidade dos materiais tinham uma precisão de cerca de 5%. No entanto, esta precisão melhorou rapidamente com cada iteração, atingindo mais de 80% para o primeiro modelo e 33% para o segundo.
- Síntese e validação no A-Lab: Após a descoberta do material, o laboratório autónomo do Berkeley Lab, denominado A-Lab, determinou a forma de criar os materiais propostos. Após cada experiência, o A-Lab ajustou as suas fórmulas com base nos resultados. Sintetizaram com sucesso 41 dos 58 compostos.
Este estudo surge na sequência de um estudo semelhante realizado no início de novembroonde os investigadores construíram um laboratório autónomo de robôs com IA que desenvolveu um catalisador para produzir oxigénio com um mínimo de intervenção humana. Isto permitiria aos robôs criar potencialmente oxigénio noutros planetas, como Marte, antes da chegada dos humanos.
O trabalho da DeepMind contribui para uma seleção crescente de estudos que ilustram como a IA pode aumentar rapidamente a investigação e a produção de materiais e compostos complexos. Este é, sem dúvida, um dos principais pontos fortes da tecnologia.
