Selon l’introduction, **A-Lab est un laboratoire où des robots guidés par l’IA fabriquent de nouveaux matériaux, qui peuvent rapidement découvrir de nouveaux matériaux avec un minimum d’intervention humaine, ce qui peut aider à identifier et à accélérer les matériaux dans de multiples domaines de recherche, notamment les batteries, le stockage d’énergie, les cellules solaires, les piles à combustible, etc.

Il convient de mentionner que lors d’une mission d’essai, A-Lab a synthétisé avec succès 41 des 58 matériaux prévus, avec un taux de réussite de 71%.

Les données de test proviennent du Materials Project, une base de données en libre accès du Berkeley Lab, et de l’outil d’apprentissage profond Graph Networks for Materials Exploration (GNoME) développé par Google DeepMind.

Aujourd’hui également, le GNoME de Google DeepMind est présenté dans Nature, contribuant à près de 400 000 nouveaux composés au projet Materials, le plus grand ajout de nouvelles données sur la stabilité structurelle par une seule équipe depuis la création du projet, augmentant considérablement les ressources en libre accès que les scientifiques peuvent utiliser pour inventer de nouveaux matériaux pour les technologies futures.

Kristin Persson, fondatrice et directrice du Materials Project au Berkeley Lab et professeure à l’Université de Californie à Berkeley, a déclaré : « Pour résoudre les défis environnementaux et climatiques mondiaux, nous devons créer de nouveaux matériaux. Grâce à l’innovation en matière de matériaux, nous pouvons développer des plastiques recyclables, exploiter l’énergie résiduelle, fabriquer de meilleures batteries et construire des panneaux solaires moins chers et plus durables, entre autres**. "

Avec l’IA, il est plus rapide de fabriquer et de tester de nouveaux matériaux

Le développement de nouvelles technologies nécessite souvent de nouveaux matériaux. Cependant, la fabrication d’un matériau n’est pas une tâche facile.

Les scientifiques ont calculé des centaines de milliers de nouveaux matériaux, mais tester s’ils peuvent être fabriqués dans la réalité est un processus lent. Il faut beaucoup de temps pour qu’un matériau passe du calcul à la commercialisation. Il doit avoir les bons attributs, être capable de fonctionner dans l’appareil, être évolutif et avoir la bonne rentabilité et les bonnes performances.

Aujourd’hui, grâce aux supercalculateurs et aux simulations, les chercheurs n’ont plus besoin d’essayer aveuglément de créer du matériel à partir de zéro.

Dans le cadre de ce travail, l’équipe Google DeepMind a entraîné GNoME à l’aide de flux de travail et de données développés par le Materials Project pendant une décennie et a amélioré l’algorithme GNoME grâce à l’apprentissage actif.

En conséquence, GNoME a produit 2,2 millions de structures cristallines, dont 380 000 ont été incluses dans le projet Matériaux et devraient être stables. Ces données comprennent l’arrangement des atomes du matériau (structure cristalline) et la stabilité (énergie de formation).

Le composé Ba₆Nb₇O₂₁ est l’un des nouveaux matériaux calculés par GNoME et contient du baryum (bleu), du niobium (blanc) et de l’oxygène (vert).

Selon l’article, GNoME a amélioré la précision de la prédiction de la stabilité structurelle à plus de 80 % et la précision de la prédiction des composants à 33 % pour 100 essais (contre 1 % dans les travaux précédents).

Ekin Dogus Cubuk, responsable de l’équipe de découverte des matériaux chez Google DeepMind, a déclaré : « Nous espérons que le projet GNoME fera progresser la recherche sur les cristaux inorganiques. Plus de 736 nouveaux matériaux découverts par GNoME ont été validés par des chercheurs externes grâce à des expériences physiques indépendantes, prouvant que la découverte de notre modèle peut être réalisée en laboratoire. "

Cependant, l’équipe de recherche souligne également dans l’article qu’il y a encore des questions ouvertes sur GNoME dans les applications pratiques, y compris la stabilité dynamique causée par les transitions de phase, les profils vibrationnels et l’entropie de configuration causée par les polymorphes concurrents, ainsi qu’une compréhension plus approfondie de la capacité de synthèse finale.

Pour créer les nouveaux composés prédits par le projet Materials, l’IA d’A-Lab a créé de nouvelles formulations en étudiant des articles scientifiques et en les peaufinant à l’aide de l’apprentissage actif.

Gerd Ceder, scientifique au Berkeley Lab et à l’UC Berkeley, chercheur principal à A-Lab, a déclaré : « Nous avons eu un taux de réussite stupéfiant de 71% et nous avons trouvé des moyens de nous améliorer. Nous avons prouvé que la combinaison de la théorie et des données avec l’automatisation donne des résultats incroyables. Nous pouvons fabriquer et tester des matériaux plus rapidement que jamais. "

Selon les rapports, avec quelques petits changements dans l’algorithme de prise de décision, ce taux de réussite peut être augmenté à 74%, et si la technologie informatique est améliorée, le taux de réussite peut encore être augmenté à 78%.

« Non seulement nous voulons rendre les données que nous produisons gratuites et utilisables pour accélérer la conception de matériaux dans le monde entier, mais nous voulons également enseigner au monde ce que les ordinateurs peuvent faire pour les gens », a déclaré Persson. Ils peuvent analyser un large éventail de nouveaux composés et propriétés plus efficacement et plus rapidement que les expériences seules. "

Avec l’aide d’A-Lab et de GNoME, les scientifiques peuvent se concentrer sur des matériaux prometteurs pour les technologies futures, tels que des alliages plus légers qui améliorent l’économie de carburant dans les automobiles, des cellules solaires plus efficaces qui améliorent l’efficacité des énergies renouvelables ou des transistors plus rapides dans les ordinateurs de nouvelle génération.

Potentiel d’application prouvé

À l’heure actuelle, le projet Materials traite davantage de composés de Google DeepMind et les ajoute à une base de données en ligne. Les nouvelles données seront mises gratuitement à la disposition des chercheurs et seront également intégrées à des projets tels que A-Lab, qui collabore avec le projet Materials.

Figure : Structures de 12 composés dans la base de données du projet Matériaux.

Au cours de la dernière décennie, les chercheurs ont confirmé expérimentalement l’utilité de nouveaux matériaux dans un certain nombre de domaines, en se basant sur des indices tirés des données du Materials Project. Certains d’entre eux ont montré un potentiel d’application, tels que :

Dans le captage du carbone (extraction du dioxyde de carbone de l’atmosphère)
En tant que photocatalyseur (un matériau qui accélère les réactions chimiques sous l’action de la lumière, qui peut être utilisé pour décomposer les polluants ou produire de l’hydrogène)
En tant que matériau thermoélectrique (un matériau qui aide à exploiter la chaleur perdue et à la convertir en énergie électrique)
En tant que conducteur transparent (peut être utilisé pour les cellules solaires, les écrans tactiles ou les LED)

Bien sûr, la découverte de ces matériaux potentiels n’est qu’une des nombreuses étapes pour résoudre certains des principaux défis technologiques auxquels l’humanité est confrontée.

**En plus des deux recherches ci-dessus, l’IA a réalisé de nombreuses percées dans la découverte et la synthèse de nouveaux matériaux au cours des dernières années. **

En 2020, une équipe de recherche multi-agences, dont le National Institute of Standards and Technology (NIST), a développé un algorithme d’IA appelé CAMEO qui a découvert de manière autonome un nouveau matériau potentiellement utile sans formation supplémentaire de la part des scientifiques.

Graphique | Processus de CAMEO pour trouver de nouveaux matériaux dans le cadre d’une opération en boucle fermée (Source : NIST)

La même année, des chercheurs de l’Université d’État de Caroline du Nord et de l’Université de Buffalo ont mis au point une technologie appelée « chimiste artificiel », qui combine l’IA et des systèmes automatisés qui effectuent des réactions chimiques pour accélérer la R&D et la production de nouveaux matériaux chimiques nécessaires aux entreprises.

En 2022, des nanoingénieurs de l’école d’ingénierie de l’Université de Californie à San Diego ont développé un algorithme d’IA, M3GNet, capable de prédire les propriétés structurelles et dynamiques de n’importe quel matériau, qu’il soit existant ou nouveau, presque instantanément. Les chercheurs peuvent l’utiliser pour trouver des électrodes et des électrolytes plus sûrs et à plus haute densité d’énergie pour les batteries lithium-ion rechargeables.

Graphique | Diagramme schématique de l’énergie potentielle du diagramme multicorps et des principaux modules de calcul (Source : Université de Californie, San Diego)

En mars, une étude publiée dans Nature Synthesis envisageait un avenir de science des matériaux accélérée grâce au co-développement de technologies de synthèse combinatoire et d’IA. Pour évaluer l’applicabilité des techniques de synthèse à des flux de travail expérimentaux spécifiques, les chercheurs ont établi un ensemble de dix mesures couvrant la vitesse de synthèse, l’évolutivité, la portée et la qualité de la synthèse, et ont résumé certaines techniques de synthèse combinatoire sélective dans le contexte de ces mesures.

**En tant que fondement et précurseur de la haute technologie, les nouveaux matériaux ont un large éventail d’applications, et ils sont devenus le domaine le plus important et le plus prometteur du 21ème siècle avec les technologies de l’information et la biotechnologie. **

À l’avenir, avec les percées dans des technologies telles que l’IA, les scientifiques devront se concentrer sur des matériaux plus prometteurs dans les technologies futures, tels que les alliages plus légers qui améliorent l’économie de carburant dans les automobiles, les cellules solaires plus efficaces qui favorisent les énergies renouvelables et les transistors plus rapides qui joueront un rôle dans la prochaine génération d’ordinateurs.

Liens de référence :

Avertissement : Les informations contenues dans cette page peuvent provenir de tiers et ne représentent pas les points de vue ou les opinions de Gate. Le contenu de cette page est fourni à titre de référence uniquement et ne constitue pas un conseil financier, d'investissement ou juridique. Gate ne garantit pas l'exactitude ou l'exhaustivité des informations et n'est pas responsable des pertes résultant de l'utilisation de ces informations. Les investissements en actifs virtuels comportent des risques élevés et sont soumis à une forte volatilité des prix. Vous pouvez perdre la totalité du capital investi. Veuillez comprendre pleinement les risques pertinents et prendre des décisions prudentes en fonction de votre propre situation financière et de votre tolérance au risque. Pour plus de détails, veuillez consulter l'avertissement.

Commentaire

0/400

Aucun commentaire