Google DeepMind's Materials AI entdeckt 2,2 Millionen neue Kristalle: Ein Durchbruch in der Materialwissenschaft

Forscher von Google DeepMind und dem Lawrence Berkeley National Laboratory haben mit der Entwicklung von GNoME, einem neuartigen KI-System, einen bahnbrechenden Fortschritt erzielt. GNoME hat über 2 Millionen neue Materialien identifiziert, die für Technologien wie Batterien, Solarpanels und Computerchips geeignet sind. Diese Forschung wurde in zwei Artikeln in der Fachzeitschrift Nature veröffentlicht. Eine Studie beschreibt, wie DeepMind fortschrittliche Deep-Learning-Techniken einsetzte, um GNoME die Erkundung potenzieller Materialstrukturen mit bisher unerreichter Effizienz zu ermöglichen.

In nur 17 Tagen identifizierte GNoME 2,2 Millionen potenziell stabiler neuer anorganischer Kristallstrukturen, von denen über 700 experimentell validiert wurden. Dieses Ergebnis stellt eine nahezu zehnfache Steigerung im Vergleich zu zuvor anerkannten stabilen anorganischen Kristallen dar. GNoME nutzt zwei Entdeckungstechniken: Eine Methode generiert ähnliche Kristallstrukturen, während die andere einen eher zufälligen Ansatz verfolgt. Die Ergebnisse beider Methoden werden getestet, um die GNoME-Datenbank für zukünftiges Lernen zu erweitern.

Die zweite Veröffentlichung beschreibt, wie GNoMEs Vorhersagen durch autonome Robotersysteme im Berkeley Lab validiert wurden. Über 17 Tage kontinuierlicher automatisierter Experimente stellte das System mit einer bemerkenswerten Erfolgsquote von 71 % 41 von 58 vorhergesagten Verbindungen erfolgreich her.

Öffentliche Datenbank zur Beschleunigung von Innovationen

Der Datensatz dieser neuen Materialien ist über die Materials Project-Datenbank öffentlich zugänglich. So können Forscher Strukturen durchforsten, um Materialien mit spezifischen gewünschten Eigenschaften für reale Anwendungen zu identifizieren. Beispielsweise identifizierte die Studie 52.000 potenzielle neue 2D-Schichtmaterialien ähnlich wie Graphen, 25-mal mehr feste Lithium-Ionenleiter als frühere Forschungen und 15 zusätzliche Lithium-Manganoxid-Verbindungen, die Lithium-Kobalt-Oxid in Batterien ersetzen könnten. Bemerkenswerterweise wurden 736 der von GNoME vorhergesagten Materialien weltweit von Wissenschaftlern unabhängig bestätigt.

Hohe Erfolgsquote im autonomen Labor

GNoMEs Fähigkeiten beruhen auf seinen hochentwickelten grafischen neuronalen Netzen, die die Stabilität vorgeschlagener Kristallstrukturen innerhalb von Sekunden vorhersagen. Diese Effizienz ermöglicht es, eine Vielzahl von computer-generierten Kandidaten auf die vielversprechendsten zu filtern. Während frühere maschinelle Lerntechniken Schwierigkeiten hatten, die Energien und die Stabilität neuer Materialien zu schätzen, zeigen die Methoden der Forscher, dass mit ausreichenden Daten und Rechenleistung das Deep Learning bemerkenswerte Einblicke liefern kann.

„Die hohe Erfolgsquote zeigt die Effektivität KI-gestützter Plattformen für die autonome Materialentdeckung und fördert die weitere Integration von computergestützten Methoden, historischem Wissen und Robotik“, so die Forscher.

Eine neue Ära in der Materialwissenschaft

Diese Studien haben immense Auswirkungen auf die Zukunft wissenschaftlicher Entdeckungen und die Rolle der KI in der Materialforschung. Dieser KI-gesteuerte Ansatz könnte die Schaffung neuer Materialien, die auf spezifische Anwendungen zugeschnitten sind, erheblich beschleunigen und möglicherweise zu schnelleren Innovationen sowie geringeren Produktentwicklungskosten führen. Die Integration von KI und Deep Learning deutet auf eine Zukunft hin, in der arbeitsintensive Laborexperimente minimiert oder ausgeschlossen werden, sodass Wissenschaftler sich auf das Design und die Analyse neuartiger Verbindungen konzentrieren können.

Die Auswirkungen dieser Fortschritte sind enorm und läuten ein neues Kapitel in der Materialwissenschaft ein, das Innovationen in verschiedenen Bereichen, von der Verbesserung von Energiespeichersystemen bis hin zur Fortentwicklung medizinischer Technologien, vorantreiben könnte. Während die Materialentdeckung sich weiterentwickelt, erweitert die Synergie von künstlicher Intelligenz, Deep Learning und wissenschaftlicher Forschung kontinuierlich die Grenzen des Möglichen.