Первоисточник: Academic Headlines
Источник изображения: Generated by Unbounded AI
Всего за 17 дней искусственный интеллект (ИИ) самостоятельно создал 41 новый материал, более двух в день.
В отличие от этого, ученым могут потребоваться месяцы проб и ошибок, чтобы создать новый материал.
Сегодня лаборатория искусственного интеллекта, получившая название A-Lab, представлена в авторитетном научном журнале Nature. **
Согласно введению, **A-Lab — это лаборатория, где роботы с искусственным интеллектом создают новые материалы, которые могут быстро обнаруживать новые материалы с минимальным вмешательством человека, что может помочь идентифицировать и ускорить поиск материалов в различных областях исследований, включая аккумуляторы, накопители энергии, солнечные батареи, топливные элементы и т. д.
Стоит отметить, что в тестовой миссии A-Lab успешно синтезировала 41 из 58 предсказанных материалов, с показателем успеха 71%.
Тестовые данные взяты из Materials Project, базы данных с открытым доступом Berkeley Lab, и инструмента глубокого обучения Graph Networks for Materials Exploration (GNoME), разработанного Google DeepMind.
Кроме того, сегодня GNoME от Google DeepMind представлен в журнале Nature, внося почти 400 000 новых соединений в проект Materials Project, что является крупнейшим добавлением новых данных о структурной стабильности одной командой с момента создания проекта, что значительно увеличивает ресурсы открытого доступа, которые ученые могут использовать для изобретения новых материалов для будущих технологий.
Кристин Перссон, основатель и директор проекта «Материалы» в лаборатории Беркли и профессор Калифорнийского университета в Беркли, сказала: «Чтобы решить глобальные экологические и климатические проблемы, мы должны создавать новые материалы. Благодаря инновационным материалам мы можем, среди прочего, разрабатывать перерабатываемый пластик, использовать отработанную энергию, производить более качественные батареи и создавать более дешевые и долговечные солнечные панели**. "
С помощью ИИ можно быстрее производить и тестировать новые материалы
Развитие новых технологий часто требует новых материалов. Однако изготовление материала – задача не из легких.
Ученые подсчитали сотни тысяч новых материалов, но проверка того, можно ли их сделать в реальности, является медленным процессом. Требуется много времени, чтобы материал прошел путь от расчета до коммерциализации. Он должен обладать нужными атрибутами, уметь работать в устройстве, быть масштабируемым, а также обладать правильной экономической эффективностью и производительностью.
Сегодня, благодаря суперкомпьютерам и симуляциям, исследователям больше не нужно слепо пытаться создать материал с нуля.
В этой работе команда Google DeepMind обучила GNoME с помощью рабочих процессов и данных, разработанных Materials Project в течение десяти лет, и улучшила алгоритм GNoME с помощью активного обучения.
В результате GNoME произвела 2,2 миллиона кристаллических структур, из которых 380 000 были включены в проект «Материалы» и были признаны стабильными. К таким данным относятся расположение атомов материала (кристаллическая структура) и стабильность (энергия формирования).
Соединение Ba₆Nb₇O₂₁ является одним из новых материалов, рассчитанных GNoME, и содержит барий (синий), ниобий (белый) и кислород (зеленый).
Согласно документу, GNoME повысил точность прогнозирования структурной стабильности до более чем 80%, а точность предсказания компонентов до 33% на 100 испытаний (по сравнению с 1% в предыдущей работе).
Экин Догуш Чубук (Ekin Dogus Cubuk), руководитель группы Materials Discovery в Google DeepMind, сказал: «Мы надеемся, что проект GNoME будет способствовать исследованиям неорганических кристаллов. Более 736 новых материалов, открытых GNoME, были проверены сторонними исследователями в ходе независимых физических экспериментов, доказав, что открытие нашей модели может быть достигнуто в лаборатории. "
Тем не менее, исследовательская группа также указывает в статье, что все еще остаются открытыми некоторые вопросы о GNoME в практическом применении, включая динамическую стабильность, вызванную фазовыми переходами, вибрационные профили и энтропию конфигурации, вызванную конкурирующими полиморфами, а также более глубокое понимание конечной способности синтеза.
Для создания новых соединений, предсказанных в рамках проекта «Материалы», искусственный интеллект A-Lab создавал новые составы, изучая научные статьи и корректируя их с помощью активного обучения.
Герд Седер, ученый из Лаборатории Беркли и Калифорнийского университета в Беркли, главный исследователь A-Lab, сказал: «У нас был ошеломляющий 71-процентный показатель успеха, и мы нашли некоторые способы улучшения. Мы доказали, что сочетание теории и данных с автоматизацией дает невероятные результаты. Мы можем производить и тестировать материалы быстрее, чем когда-либо прежде. "
Согласно отчетам, при некоторых небольших изменениях в алгоритме принятия решений этот показатель успеха может быть увеличен до 74%, а если вычислительная технология будет усовершенствована, то вероятность успеха может быть дополнительно увеличена до 78%.
«Мы не только хотим сделать данные, которые мы производим, бесплатными и пригодными для использования для ускорения разработки материалов во всем мире, но мы также хотим научить мир тому, что компьютеры могут сделать для людей», — сказал Перссон. Они могут сканировать широкий спектр новых соединений и свойств более эффективно и быстро, чем только эксперименты. "
С помощью таких организаций, как A-Lab и GNoME, ученые могут сосредоточиться на перспективных материалах для будущих технологий, таких как более легкие сплавы, которые улучшают экономию топлива в автомобилях, более эффективные солнечные элементы, повышающие эффективность возобновляемых источников энергии, или более быстрые транзисторы в компьютерах следующего поколения.
Доказанный потенциал применения
В настоящее время Materials Project обрабатывает больше соединений Google DeepMind и добавляет их в онлайн-базу данных. Новые данные будут доступны исследователям бесплатно, а также будут использоваться в таких проектах, как A-Lab, который сотрудничает с Materials Project.
Рисунок: Структуры 12 соединений в базе данных Materials Project.
За последнее десятилетие исследователи экспериментально подтвердили полезность новых материалов в ряде областей, основываясь на подсказках из данных Materials Project. Некоторые из них показали потенциал применения, такие как:
- В улавливании углерода (извлечение углекислого газа из атмосферы)
- В качестве фотокатализатора (материал, ускоряющий химические реакции под действием света, который может быть использован для расщепления загрязняющих веществ или производства водорода)
- В качестве термоэлектрического материала (материал, который помогает использовать отработанное тепло и преобразовывать его в электрическую энергию)
- В качестве прозрачного проводника (может использоваться для солнечных батарей, сенсорных экранов или светодиодов)
Конечно, поиск этих потенциальных материалов является лишь одним из многих шагов к решению некоторых из основных технологических проблем, стоящих перед человечеством.
**В дополнение к двум вышеупомянутым исследованиям, ИИ за последние годы совершил множество прорывов в открытии и синтезе новых материалов. **
В 2020 году межведомственная исследовательская группа, включающая Национальный институт стандартов и технологий (NIST), разработала алгоритм искусственного интеллекта под названием CAMEO, который автономно обнаружил потенциально полезный новый материал без дополнительного обучения со стороны ученых.
Рисунок | Процесс поиска новых материалов в CAMEO в замкнутом цикле (Источник: NIST)
В том же году исследователи из Университета штата Северная Каролина и Университета в Буффало разработали технологию под названием «Искусственный химик», которая сочетает в себе искусственный интеллект и автоматизированные системы, выполняющие химические реакции для ускорения исследований и разработок и производства новых химических материалов, необходимых для бизнеса.
В 2022 году наноинженеры из Инженерной школы Калифорнийского университета в Сан-Диего разработали алгоритм искусственного интеллекта M3GNet, который может практически мгновенно предсказывать структурные и динамические свойства любого материала, существующего или нового. Исследователи могут использовать его для поиска более безопасных электродов и электролитов с более высокой плотностью энергии для литий-ионных аккумуляторов.
Рисунок | Принципиальная схема диаграммы многотельных систем, потенциальная энергия и основные модули расчета (Источник: Калифорнийский университет, Сан-Диего)
В мартовском исследовании, опубликованном в журнале Nature Synthesis, предсказывается будущее ускоренного материаловедения, основанное на совместном развитии комбинаторного синтеза и технологий искусственного интеллекта. Чтобы оценить применимость методов синтеза к конкретным экспериментальным рабочим процессам, исследователи установили набор из десяти метрик, охватывающих скорость синтеза, масштабируемость, дальность и качество синтеза, и обобщили некоторые методы селективного комбинаторного синтеза в контексте этих показателей.
** Являясь основой и предтечей высоких технологий, новые материалы имеют широкий спектр применения, и они стали самой важной и перспективной областью в 21 веке наряду с информационными технологиями и биотехнологиями. **
Ожидается, что в будущем, с прорывами в таких технологиях, как искусственный интеллект, ученые сосредоточатся на материалах, которые являются более перспективными в будущих технологиях, таких как более легкие сплавы, которые улучшают экономию топлива в автомобилях, более эффективные солнечные элементы, способствующие использованию возобновляемых источников энергии, и более быстрые транзисторы, которые будут играть роль в следующем поколении компьютеров.
Ссылки:
