A vállalat több százezer potenciális új anyagot tartalmazó adatbázist ad ki
- 2023. NOVEMBER 29
- 11:50 ET
- ÍRTA: ROBERT F. SERVICE
Ennek a történetnek egy változata a Science, 382. kötet, 6674. számban jelent meg.PDF letöltése
Az anyagok szakácskönyve hirtelen tízszeresére nőtt. A modern technológiák, az elektronikától a repülőgépekig, mindössze 20 000 szervetlen anyagból merítenek, amelyeket nagyrészt próba és hiba útján fedeztek fel; a tudósok több tízezerre jósoltak, de nem tettek. A héten azonban a kutatók arról számoltak be, hogy egy új mesterséges intelligenciával (AI) további 2,2 millió anyag összetevőit és tulajdonságait jósolták meg. Egy kísérő tanulmányban egy külön csapat kimutatta, hogy az ilyen előre jelzett anyagokat hatékonyan lehet előállítani, ismét az AI segítségével.
A kutatók szerint a jelentések együttesen az anyagtudomány új korszakát vetítik előre, amikor mesterséges intelligencia programok és robotok hajtják majd az új akkumulátorok, szupravezetők és katalizátorok előállításainak kutatását. „Nagyon lenyűgöző” – mondja Andrew Rosen, a Princetoni Egyetem számítástechnikai anyagkutatója.
A Nature -ben közzétett jóslatok újabb puccs a DeepMind mesterséges intelligencia újítói számára, amely a Google egyik mellékága. A múlt hónapban leírtak egy AI-algoritmust, amely laptopokon fut, és olyan pontosan képes előre jelezni az időjárást, mint a nagy, szuperszámítógép-vezérelt modellek . Ezt megelőzően a DeepMind kifejlesztette az AlphaFoldot, egy mesterséges intelligenciát, amely képes megjósolni több százmillió különböző fehérje 3D alakját pusztán az aminosavszekvenciájuk alapján. Az új munka – mondja Rosen – „az AlphaFold megfelelője az anyagtudománynak”.
A korábbi DeepMind-vívmányokhoz hasonlóan ez is kiterjedt adatokkal rendelkező AI-t képezett ki. A kutatók az Anyagprojekttel kezdték, amely az összes ismert és előre jelzett szervetlen kristály adatbázisa. Ez az adatbázis nemcsak az egyes anyagok kristályszerkezetét tartalmazza, hanem olyan tulajdonságait is, mint az elektronikus szerkezet, a mágneses viselkedés és a keménység. Az elmúlt évtized során a Materials Project csapatai a 20 000 ismert szervetlen kristály adatait betáplálták a mintaillesztő gépi tanulási algoritmusokba, hogy további 28 000 szervetlen kristályt jósoljanak meg, amelyeknek stabilnak kell lenniük.
Jelenlegi munkájuk során a DeepMind kutatói, Dogus Cubuk vezetésével, aki a vállalat anyagfelderítésének vezetője, arra a 48 000 ismert és előre jelzett vegyületre vonatkozó adatokat – valamint más kapcsolódó adatbázisokból származó információkat – felhasználták egy „aktív tanulási” mesterséges intelligencia modell kiképzésére. . A GNoME (Graph Networks for Materials Exploration) névre keresztelt mesterséges intelligencia az eredeti betanítási adatokon kívüli mintákat is képes észlelni. Elkészítette a lehetséges új stabil kristályok kezdeti előrejelzését, és kiszámította tulajdonságaikat; a csapat ezután hozzáadta az eredményeket az edzésadatokhoz, és megismételte a ciklust.
Több ilyen kör után a GNoME a 2,2 millió új vegyületre vonatkozó előrejelzésekkel zárult. A kiszámított „képződési energia” – a stabilitás mértéke – 381 000-nél azt sugallta, hogy ha a kutatók meg tudják szintetizálni őket, akkor stabilnak kell lenniük, és nem bomlanak le más struktúrákra.
A leletek között vannak olyan réteges anyagok, mint amilyeneket akkumulátorelektródákban használnak. Míg az Anyagprojekt 1000 ilyen vegyületet azonosított, a GNoME 52 000-et jósolt, köztük 528 lítium-ion vezetőt, amely egyfajta anyag kritikus fontosságú a mai legjobb akkumulátorok számára. Cubuk azt is megjegyzi, hogy a korábbi előre jelzett kristályokkal ellentétben, amelyek többnyire két, három vagy négy elemet kombináltak, a DeepMind jósolt struktúrái közül sok öt, sőt hat elemet tartalmaz. „Ez igazán izgalmas” – mondja Alexander Ganose, az Imperial College London anyagkémikusa. „Sokkal szélesebb összetételi tartományban teszi lehetővé az anyagok felfedezését. Lehetséges, hogy ebben az adathalmazban megtaláljuk a jövő anyagait.”
A következő lépés tulajdonképpen az anyagok szintetizálása, hagyományosan próba- és hibafolyamat, amely hónapokig vagy évekig is eltarthat egyetlen vegyület esetében. „Jó jósolni valamit” – mondja Janine George, a berlini Szövetségi Anyagkutatási és -vizsgáló Intézet számítástechnikai kutatója. – De elkészíteni igazán nagyszerű.
A külső benchmarkok szerint a GNoME sikerességi rátája a stabil struktúrák előrejelzésében eléri a 80%-ot a korábbi algoritmusok által elért 50%-hoz képest. A DeepMind kutatói pedig megjegyzik, hogy független kísérletezők már 736-ot elkészítettek az előre jelzett anyagokból, ellenőrizve azok stabilitását. Cubuk szerint még a nem biztos, hogy stabil anyagok is rendkívül hosszú élettartamúak lehetnek, ahogy a gyémánt 1 milliárd évig vagy még tovább is túlél, mielőtt grafittá bomlik.
Egy másik fajta mesterséges intelligencia segíthet a GNoME több előrejelzésének szintetizálásában – javasolja egy másik, a Nature e heti tanulmánya . A Lawrence Berkeley National Laboratory kutatói Gerbrand Ceder anyagtudós vezetésével a közelmúltban mesterséges intelligencia által vezérelt robotikai laboratóriumot építettek, hogy új anyagokat készítsenek . Most ő és kollégái arról számolnak be, hogy ez a beállítás gyorsan megtanulta finomítani a Materials Project algoritmusa által megjósolt új vegyületek szintézisének receptjeit. 17 nap alatt a robotok sikeresen szintetizáltak 41 anyagot az 58 kísérletből.
A DeepMind kutatói azt mondják, hogy azonnal közzéteszik a stabilnak jósolt 381 000 vegyület adatait, és nyilvánosan elérhetővé teszik a mesterséges intelligencia kódját. Végül kiadhatják mind a 2,2 millió receptet. De Ganose nem akar várni. A teljes körzet tanulmányozása segíthet a tudósoknak abban, hogy jobban meghatározzák, mi teszi lehetővé bizonyos vegyületek stabilitását, míg mások kevésbé. „Ha ezt elzárják, az igazi veszteség a tudomány számára” – mondja Ganose. Cubuk azonban megjegyzi, hogy mivel minden eddiginél csaknem tízszer több célt kell megcélozniuk, az anyagtudósoknak már bőven van dolguk, hogy elfoglalják tesztkonyháikat.
