Google DeepMinds AI-plattform, Graphical Networks for Material Exploration (GNoME), har förutspått förekomsten av över 2 miljoner nya material, varav 700 har skickats till labb för syntes och vidare testning.
Dogus Cubuk, ansvarig för materialupptäckter på Google DeepMind, förklarade syftet med studien, som publiceras i Nature"Även om material spelar en mycket viktig roll i nästan all teknik, känner vi som mänsklighet bara till några tiotusentals stabila material."
GNoME fungerar på liknande sätt som DeepMinds AlphaFold-system för proteinveckning, vilket har revolutionerat biologisk forskning och läkemedelsupptäckt.
AI-verktyget använder två modeller för djupinlärning för att generera och utvärdera miljarder potentiella materialstrukturer, inklusive 421.000 stabila material.
Som en del av studien har DeepMind, i samarbete med Lawrence Berkeley National Laboratory, utvecklat ett autonomt laboratorium känt som A-Lab. Det utnyttjar GNoME:s upptäckter och integrerar robotteknik med maskininlärning för att utveckla de nya material som GNoME har identifierat.
Kristin Persson på Berkeley Lab förklarade hur GNoME påskyndar forskningsprocessen: "Om du har otur kan det ta månader eller till och med år [att tillverka material]. Men A-Lab har inget emot att misslyckas. De fortsätter att försöka och försöka."
När det gäller praktiska användningsområden kan A-Lab upptäcka material som kan användas inom ren energi, databehandling och andra högteknologiska industrier.
Mer om studierna
Traditionella metoder för materialupptäckt innebär att forskare manuellt kombinerar grundämnen från det periodiska systemet, ofta genom att modifiera befintliga strukturer för att upptäcka nya.
Detta är extremt tidskrävande och ineffektivt på grund av det stora antalet möjliga kombinationer och den begränsade förmågan att förutsäga framgångsgraden i stor skala.
DeepMind tillämpar maskininlärning i denna process, vilket möjliggör iterativa upptäckter och tester av miljontals föreningar.
- Innovativ metod med två modeller för djupinlärning: DeepMind utformade två innovativa modeller för djupinlärning. Den första modellen hade till uppgift att generera mer än en miljard möjliga materialstrukturer genom att modifiera element i kända material. Den andra modellen förutspådde stabiliteten hos material enbart baserat på deras kemiska formler, helt oberoende av befintliga materialstrukturer.
- Analys och filtrering med GNoME-modeller: Det stora antalet kandidatstrukturer som genererades av dessa två modeller bearbetades genom DeepMinds GNoME-system. GNoME utvärderade varje strukturs nedbrytningsenergi, en kritisk indikator på materialstabilitet. Stabila material (dvs. som inte lätt bryts ned) ansågs vara mer värdefulla för tekniska och praktiska tillämpningar.
- Iterativ inlärning och förbättring av precision: Varje omgång av förutsägelser och analyser matas in i nästa, vilket förbättrar systemets noggrannhet och effektivitet. Inledningsvis hade GNoME:s förutsägelser för materialstabilitet en precision på cirka 5%. Precisionen förbättrades dock snabbt för varje iteration och uppgick till över 80% för den första modellen och 33% för den andra.
- Syntes och validering i A-Lab: Efter materialupptäckten bestämde Berkeley Labs autonoma laboratorium, kallat A-Lab, hur de föreslagna materialen skulle skapas. Efter varje experiment justerade A-Lab sina formuleringar baserat på resultaten. De lyckades syntetisera 41 av 58 föreningar.
Denna studie är en följd av en liknande studie från tidigare i novemberdär forskarna byggde ett autonomt AI-robotlabb som utvecklade en katalysator för att producera syre med minimal mänsklig insats. Detta skulle göra det möjligt för robotar att potentiellt skapa syre på andra planeter, som Mars, innan människor anländer.
DeepMinds arbete bidrar till ett växande urval av studier som illustrerar hur AI snabbt kan skala upp undersökningen och produktionen av komplexa material och föreningar. Det är utan tvekan en av teknikens främsta styrkor.
