Sumber asli: Academic Headlines
Sumber gambar: Dihasilkan oleh Unbounded AI
Hanya dalam 17 hari, kecerdasan buatan (AI) telah menciptakan 41 materi baru sendiri, lebih dari dua per hari.
Sebaliknya, dibutuhkan berbulan-bulan trial and error bagi ilmuwan manusia untuk membuat materi baru.
Saat ini, laboratorium AI, yang disebut A-Lab, ditampilkan dalam jurnal ilmiah otoritatif Nature. **
Menurut pengantar, **A-Lab adalah laboratorium tempat robot yang dipandu AI membuat bahan baru, yang dapat dengan cepat menemukan bahan baru dengan intervensi manusia minimal, yang dapat membantu mengidentifikasi dan melacak bahan dengan cepat di berbagai bidang penelitian, termasuk baterai, penyimpanan energi, sel surya, sel bahan bakar, dll.
Perlu disebutkan bahwa dalam misi uji, A-Lab berhasil mensintesis 41 dari 58 bahan yang diprediksi, dengan tingkat keberhasilan 71%.
Data pengujian berasal dari Materials Project, database akses terbuka Berkeley Lab, dan alat pembelajaran mendalam Graph Networks for Materials Exploration (GNoME) yang dikembangkan oleh Google DeepMind.
Juga hari ini, GNoME Google DeepMind ditampilkan di Nature, menyumbangkan hampir 400.000 senyawa baru ke Proyek Material, penambahan terbesar data stabilitas struktural baru oleh satu tim sejak awal proyek, sangat meningkatkan sumber daya akses terbuka yang dapat digunakan para ilmuwan untuk menciptakan bahan baru untuk teknologi masa depan.
Kristin Persson, pendiri dan direktur Proyek Material di Berkeley Lab dan profesor di University of California, Berkeley, mengatakan, "Untuk memecahkan tantangan lingkungan dan iklim global, kita harus menciptakan bahan baru. Dengan inovasi material, kami dapat mengembangkan plastik yang dapat didaur ulang, memanfaatkan energi limbah, membuat baterai yang lebih baik, dan membangun panel surya yang lebih murah dan tahan lama, antara lain**. "
Dengan AI, lebih cepat untuk memproduksi dan menguji bahan baru
Perkembangan teknologi baru seringkali membutuhkan material baru. Namun, membuat material bukanlah tugas yang mudah.
Para ilmuwan telah menghitung ratusan ribu bahan baru, tetapi menguji apakah mereka dapat dibuat dalam kenyataan adalah proses yang lambat. Butuh waktu lama bagi suatu bahan untuk beralih dari perhitungan ke komersialisasi. Itu harus memiliki atribut yang tepat, dapat bekerja di perangkat, terukur, dan memiliki efisiensi biaya dan kinerja yang tepat.
Hari ini, berkat superkomputer dan simulasi, para peneliti tidak lagi harus membabi buta mencoba membuat materi dari awal.
Dalam pekerjaan ini, tim Google DeepMind melatih GNoME menggunakan alur kerja dan data yang dikembangkan oleh Materials Project selama lebih dari satu dekade dan meningkatkan algoritme GNoME melalui pembelajaran aktif.
Akibatnya, GNoME menghasilkan 2,2 juta struktur kristal, dimana 380.000 termasuk dalam Proyek Material dan diprediksi stabil. Data ini termasuk susunan atom material (struktur kristal) dan stabilitas (energi pembentukan).
Senyawa Ba₆Nb₇O₂₁ adalah salah satu bahan baru yang dihitung oleh GNoME dan mengandung barium (biru), niobium (putih) dan oksigen (hijau).
Menurut makalah itu, GNoME telah meningkatkan akurasi prediksi stabilitas struktural hingga lebih dari 80%, dan akurasi prediksi komponen menjadi 33% per 100 percobaan (dibandingkan dengan 1% dalam pekerjaan sebelumnya).
Ekin Dogus Cubuk, Kepala Tim Penemuan Material di Google DeepMind, mengatakan: "Kami berharap bahwa proyek GNoME akan memajukan penelitian kristal anorganik. Lebih dari 736 bahan baru yang ditemukan oleh GNoME telah divalidasi oleh peneliti eksternal melalui eksperimen fisik independen, membuktikan bahwa penemuan model kami dapat dicapai di laboratorium. "
Namun, tim peneliti juga menunjukkan dalam makalah bahwa masih ada beberapa pertanyaan terbuka tentang GNoME dalam aplikasi praktis, termasuk stabilitas dinamis yang disebabkan oleh transisi fase, profil getaran, dan entropi konfigurasi yang disebabkan oleh polimorf yang bersaing, serta pemahaman yang lebih dalam tentang kapasitas sintesis akhir.
Untuk membuat senyawa baru yang diprediksi oleh Proyek Material, AI A-Lab menciptakan formulasi baru dengan mempelajari makalah ilmiah dan mengutak-atiknya menggunakan pembelajaran aktif.
Gerd Ceder, seorang ilmuwan di Berkeley Lab dan UC Berkeley, peneliti utama di A-Lab, mengatakan, "Kami memiliki tingkat keberhasilan 71 persen yang mengejutkan, dan kami telah menemukan beberapa cara untuk meningkatkan. Kami telah membuktikan bahwa menggabungkan teori dan data dengan otomatisasi menghasilkan hasil yang luar biasa. Kami dapat memproduksi dan menguji bahan lebih cepat dari sebelumnya. "
Menurut laporan, dengan beberapa perubahan kecil pada algoritma pengambilan keputusan, tingkat keberhasilan ini dapat ditingkatkan menjadi 74%, dan jika teknologi komputasi ditingkatkan, tingkat keberhasilan dapat ditingkatkan lebih lanjut menjadi 78%.
“Kami tidak hanya ingin membuat data yang kami hasilkan gratis dan dapat digunakan untuk mempercepat desain material di seluruh dunia, tetapi kami juga ingin mengajari dunia apa yang dapat dilakukan komputer untuk manusia,” kata Persson. Mereka dapat memindai berbagai senyawa dan sifat baru lebih efisien dan cepat daripada eksperimen saja. "
Dengan bantuan orang-orang seperti A-Lab dan GNoME, para ilmuwan dapat fokus pada bahan yang menjanjikan untuk teknologi masa depan, seperti paduan ringan yang meningkatkan ekonomi bahan bakar di mobil, sel surya yang lebih efisien yang meningkatkan efisiensi energi terbarukan, atau transistor yang lebih cepat di komputer generasi berikutnya.
Potensi aplikasi yang terbukti
Saat ini, Proyek Material sedang memproses lebih banyak senyawa Google DeepMind dan menambahkannya ke database online. Data baru akan tersedia bagi para peneliti secara gratis dan juga akan dimasukkan ke dalam proyek-proyek seperti A-Lab, yang bekerja sama dengan Proyek Material.
Gambar: Struktur 12 senyawa dalam database Proyek Material.
Selama dekade terakhir, para peneliti telah secara eksperimental mengkonfirmasi kegunaan material baru di sejumlah bidang, berdasarkan petunjuk dari data Proyek Material. Beberapa dari mereka telah menunjukkan potensi aplikasi, seperti:
- Dalam penangkapan karbon (ekstraksi karbon dioksida dari atmosfer)
Sebagai fotokatalis (bahan yang mempercepat reaksi kimia di bawah aksi cahaya, yang dapat digunakan untuk memecah polutan atau menghasilkan hidrogen)
- Sebagai bahan termoelektrik (bahan yang membantu memanfaatkan limbah panas dan mengubahnya menjadi energi listrik)
- Sebagai konduktor transparan (dapat digunakan untuk sel surya, layar sentuh, atau LED)
Tentu saja, menemukan bahan-bahan potensial ini hanyalah salah satu dari banyak langkah untuk memecahkan beberapa tantangan teknologi utama yang dihadapi umat manusia.
Selain dua penelitian di atas, AI telah membuat banyak terobosan dalam penemuan dan sintesis material baru dalam beberapa tahun terakhir. **
Pada tahun 2020, tim peneliti multi-lembaga, termasuk National Institute of Standards and Technology (NIST), mengembangkan algoritma AI yang disebut CAMEO yang secara mandiri menemukan materi baru yang berpotensi berguna tanpa pelatihan tambahan dari para ilmuwan.
Gambar | Proses CAMEO menemukan material baru dalam operasi loop tertutup (Sumber: NIST)
Pada tahun yang sama, para peneliti dari North Carolina State University dan University at Buffalo mengembangkan teknologi yang disebut “Ahli Kimia Buatan,” yang menggabungkan AI dan sistem otomatis yang melakukan reaksi kimia untuk mempercepat R&D dan produksi bahan kimia baru yang dibutuhkan untuk bisnis.
Pada tahun 2022, nanoengineers di University of California, San Diego’s School of Engineering mengembangkan algoritma AI, M3GNet, yang dapat memprediksi sifat struktural dan dinamis dari material apa pun, baik yang sudah ada maupun yang baru, hampir secara instan. Para peneliti dapat menggunakannya untuk menemukan elektroda dan elektrolit kepadatan energi yang lebih aman dan lebih tinggi untuk baterai lithium-ion yang dapat diisi ulang.
Gambar | Diagram skematik energi potensial diagram multibody dan modul perhitungan utama (Sumber: University of California, San Diego)
Pada bulan Maret, sebuah penelitian yang diterbitkan di Nature Synthesis membayangkan masa depan ilmu material yang dipercepat yang didorong oleh pengembangan bersama sintesis kombinatorial dan teknologi AI. Untuk mengevaluasi penerapan teknik sintesis pada alur kerja eksperimental tertentu, para peneliti menetapkan satu set sepuluh metrik yang mencakup kecepatan sintesis, skalabilitas, jangkauan, dan kualitas sintesis, dan merangkum beberapa teknik sintesis kombinatorial selektif dalam konteks metrik ini.
** Sebagai dasar dan cikal bakal teknologi tinggi, bahan-bahan baru memiliki berbagai aplikasi, dan telah menjadi bidang yang paling penting dan menjanjikan di abad ke-21 bersama dengan teknologi informasi dan bioteknologi. **
Di masa depan, dengan terobosan dalam teknologi seperti AI, para ilmuwan diharapkan untuk fokus pada bahan yang lebih menjanjikan dalam teknologi masa depan, seperti paduan ringan yang meningkatkan ekonomi bahan bakar di mobil, sel surya yang lebih efisien yang mempromosikan energi terbarukan, dan transistor yang lebih cepat yang akan memainkan peran dalam komputer generasi berikutnya.
Referensi Link:
