ИИ-платформа Google DeepMind Graphical Networks for Material Exploration (GNoME) предсказала существование более 2 миллионов новых материалов, 700 из которых были отправлены на лабораторный синтез и дальнейшие испытания.
Догус Кубук, ведущий специалист по поиску материалов в Google DeepMind, объяснил цель исследования, которая опубликована в журнале Nature; "Хотя материалы играют очень важную роль практически в любой технологии, нам, как человечеству, известно всего несколько десятков тысяч стабильных материалов".
GNoME работает аналогично Система AlphaFold компании DeepMind для сворачивания белков, что произвело революцию в биологических исследованиях и открытии лекарств.
ИИ-инструмент использует две модели глубокого обучения для генерации и оценки миллиардов потенциальных структур материалов, включая 421 000 стабильных материалов.
В рамках исследования компания DeepMind в сотрудничестве с Национальной лабораторией Лоуренса Беркли разработала автономная лаборатория Известная как A-Lab. Она использует открытия GNoME, объединяя робототехнику с машинным обучением для разработки новых материалов, выявленных GNoME.
Кристин Перссон из Лаборатории Беркли рассказала, как GNoME ускоряет процесс исследований: "Если вам не повезет, на создание материалов могут уйти месяцы или даже годы. Но A-Lab не возражает против неудач. Она продолжает пробовать и пробовать".
Что касается практического применения, то в лаборатории A-Lab могут быть открыты материалы, используемые в чистой энергетике, вычислительной технике и других высокотехнологичных отраслях.
Подробнее об исследованиях
Традиционные подходы к открытию материалов предполагают, что ученые вручную комбинируют элементы из периодической таблицы, часто изменяя существующие структуры, чтобы открыть новые.
Это очень трудоемко и неэффективно из-за огромного количества возможных комбинаций и ограниченной способности прогнозировать успешность в масштабе.
DeepMind применяет машинное обучение в этом процессе, позволяя итеративно открывать и тестировать миллионы соединений.
- Инновационный подход с использованием двух моделей глубокого обучения: DeepMind разработала две инновационные модели глубокого обучения. Перед первой моделью была поставлена задача сгенерировать более миллиарда возможных структур материалов путем изменения элементов в известных материалах. Вторая модель предсказывала стабильность материалов, основываясь исключительно на их химических формулах, совершенно независимо от существующих структур материалов.
- Анализ и фильтрация с помощью моделей GNoME: Огромный массив структур-кандидатов, созданных этими двумя моделями, был обработан системой GNoME компании DeepMind. GNoME оценивала энергию разложения каждой структуры - важнейший показатель стабильности материала. Стабильные материалы (т. е. не подверженные легкому разложению) считались более ценными для инженерных и практических применений.
- Итеративное обучение и повышение точности: Каждый цикл прогнозов и анализов учитывается в следующем, повышая точность и эффективность системы. Первоначально точность прогнозов стабильности материалов в GNoME составляла около 5%. Однако эта точность быстро повышалась с каждой итерацией, достигнув более 80% для первой модели и 33% для второй.
- Синтез и проверка в лаборатории A-Lab: После открытия материала автономная лаборатория Berkeley Lab, получившая название A-Lab, определила, как создать предлагаемые материалы. После каждого эксперимента A-Lab корректировала свои формулы в зависимости от полученных результатов. Они успешно синтезировали 41 из 58 соединений.
Данное исследование является результатом аналогичное исследование, проведенное ранее в ноябреВ этом году исследователи создали автономную лабораторию с искусственным интеллектом и роботами, которые разработали катализатор для производства кислорода при минимальном участии человека. Это позволит роботам создавать кислород на других планетах, например на Марсе, до прибытия людей.
Работа DeepMind способствует росту числа исследований, иллюстрирующих, как ИИ может быстро расширить масштабы изучения и производства сложных материалов и соединений. Это, несомненно, одно из ключевых преимуществ технологии.
