Искусственный интеллект Google DeepMind в области материаловедения открыл 2,2 миллиона новых кристаллов: прорыв в науке о материалах.

Исследователи из Google DeepMind и Лаборатории им. Лоуренса Беркли сделали прорыв в разработке GNoME — новой системы ИИ, которая выявила более 2 миллионов новых материалов, подходящих для технологий, таких как аккумуляторы, солнечные панели и чипы.

Исследование было опубликовано в двух статьях в журнале Nature. Одна из них описывает, как DeepMind использовал современные методы глубокого обучения, что позволило GNoME исследовать потенциальные структуры материалов с беспрецедентной эффективностью.

Всего за 17 дней GNoME выявил 2,2 миллиона потенциально стабильных новых неорганических кристаллических структур, из которых более 700 были экспериментально подтверждены. Этот успех составляет почти десятикратное увеличение по сравнению с ранее известными стабильными неорганическими кристаллами.

GNoME применяет два метода открытия: один генерирует аналогичные кристаллические структуры, а другой использует более случайный подход. Результаты обоих методов испытаны для улучшения базы данных GNoME для будущего обучения.

Во второй статье описывается, как предсказания GNoME были подтверждены с помощью автономных роботизированных систем в Лаборатории Беркли. За 17 дней непрерывных автоматизированных экспериментов система успешно синтезировала 41 из 58 предсказанных соединений с впечатляющим уровнем успеха в 71%.

Публичная база данных для ускорения инноваций

Данные о новых материалах доступны в базе данных Materials Project, что позволяет исследователям искать структуры для выявления материалов с необходимыми свойствами для реальных приложений. Например, в исследовании были найдены 52,000 потенциальных новых двумерных слоистых материалов, схожих с графеном, 25 раз больше твердых литий-ионных проводников, чем в предыдущих исследованиях, и 15 дополнительных соединений литий-марганца, которые могут заменить литий-кобальтовые оксиды в аккумуляторах.

Удивительно, что 736 предсказанных GNoME материалов были независимо подтверждены учеными по всему миру.

Автономная лаборатория достигает высокой степени успеха

Возможности GNoME базируются на продвинутых графовых нейронных сетях, которые предсказывают стабильность предложенных кристаллических структур за считанные секунды. Эта эффективность позволяет фильтровать огромные объемы компьютерно-сгенерированных кандидатов до самых многообещающих.

Хотя ранние методы машинного обучения испытывали трудности с оценкой энергий и стабильности новых материалов, методы исследователей показывают, что при достаточных данных и вычислительной мощности глубокое обучение может предоставить удивительные результаты.

«Высокий уровень успеха подчеркивает эффективность платформ, основанных на ИИ, для автономного открытия материалов, и способствует дальнейшей интеграции вычислительных методов, исторических знаний и робототехники», — заявили исследователи.

Новая эра в материаловедении

Эти исследования имеют большое значение для будущего научных открытий и роли ИИ в исследовании материалов. Подход на основе ИИ может существенно ускорить создание новых материалов, адаптированных для конкретных приложений, что приведет к более быстрому внедрению инноваций и снижению затрат на разработку продуктов.

Интеграция ИИ и глубокого обучения предполагает будущее, в котором трудоемкие лабораторные эксперименты могут быть минимизированы или полностью исключены, позволяя ученым сосредоточиться на проектировании и анализе новых соединений.

Влияние этих достижений огромно, открывая новую главу в материаловедении, способствующую инновациям в различных областях, от совершенствования систем хранения энергии до продвижения медицинских технологий. По мере развития открытия материалов синергия искусственного интеллекта, глубокого обучения и научных исследований продолжает расширять границы возможного.