Згідно зі вступом, **A-Lab — це лабораторія, де роботи, керовані штучним інтелектом, виготовляють нові матеріали, які можуть швидко виявляти нові матеріали з мінімальним втручанням людини, що може допомогти ідентифікувати та прискорити пошук матеріалів у багатьох галузях досліджень, включаючи батареї, накопичувачі енергії, сонячні елементи, паливні елементи тощо.

Варто згадати, що під час тестової місії A-Lab успішно синтезувала 41 з 58 передбачуваних матеріалів, з показником успіху 71%.

Дані тестів надходять з Materials Project, бази даних відкритого доступу Лабораторії Берклі та інструменту глибокого навчання Graph Networks for Materials Exploration (GNoME), розробленого Google DeepMind.

Крім того, сьогодні GNoME від Google DeepMind представлений у Nature, внісши майже 400 000 нових сполук у проект матеріалів, найбільше додавання нових даних про структурну стабільність однією командою з моменту створення проекту, що значно збільшує ресурси відкритого доступу, які вчені можуть використовувати для винаходу нових матеріалів для майбутніх технологій.

Крістін Перссон, засновниця та директорка проекту «Матеріали» в лабораторії Берклі та професор Каліфорнійського університету в Берклі, сказала: «Щоб вирішити глобальні екологічні та кліматичні проблеми, ми повинні створювати нові матеріали. Завдяки технологічним інноваціям ми можемо, серед іншого, розробляти пластик, що підлягає вторинній переробці, використовувати відходи енергії, виготовляти кращі батареї та створювати дешевші та довговічніші сонячні панелі**. "

За допомогою штучного інтелекту швидше виробляти та тестувати нові матеріали

Розвиток нових технологій часто вимагає нових матеріалів. Однак виготовлення матеріалу - завдання не з легких.

Вчені розрахували сотні тисяч нових матеріалів, але перевірити, чи можна їх виготовити насправді, - повільний процес. Потрібно багато часу, щоб матеріал пройшов шлях від розрахунку до комерціалізації. Він повинен мати правильні атрибути, вміти працювати в пристрої, бути масштабованим, мати правильну економічну ефективність і продуктивність.

Сьогодні, завдяки суперкомп’ютерам і симуляціям, дослідникам більше не доводиться сліпо намагатися створити матеріал з нуля.

У цій роботі команда Google DeepMind навчала GNoME, використовуючи робочі процеси та дані, розроблені Materials Project протягом десяти років, і вдосконалила алгоритм GNoME за допомогою активного навчання.

В результаті GNoME виготовив 2,2 мільйона кристалічних структур, з яких 380 000 були включені в проект Materials Project і прогнозували стабільність. Ці дані включають розташування атомів матеріалу (кристалічна структура) і стійкість (енергія утворення).

Сполука Ba₆Nb₇O₂₁ є одним із нових матеріалів, розрахованих GNoME, і містить барій (синій), ніобій (білий) та кисень (зелений).

Згідно з документом, GNoME підвищив точність прогнозування структурної стабільності більш ніж до 80%, а точність прогнозування компонентів до 33% на 100 випробувань (порівняно з 1% у попередній роботі).

Екін Догус Кубук, керівник групи з пошуку матеріалів у Google DeepMind, сказав: "Ми сподіваємося, що проект GNoME просуне дослідження неорганічних кристалів. Понад 736 нових матеріалів, відкритих GNoME, були підтверджені зовнішніми дослідниками за допомогою незалежних фізичних експериментів, що доводить, що відкриття нашої моделі може бути досягнуто в лабораторії. "

Однак дослідницька група також вказує в статті, що все ще залишаються деякі відкриті питання щодо GNoME у практичному застосуванні, включаючи динамічну стабільність, спричинену фазовими переходами, вібраційні профілі та ентропію конфігурації, спричинену конкуруючими поліморфами, а також глибше розуміння кінцевої здатності синтезу.

Щоб створити нові сполуки, передбачені проектом «Матеріали», штучний інтелект A-Lab створив нові формули, вивчаючи наукові роботи та налаштовуючи їх за допомогою активного навчання.

Герд Седер, вчений з Лабораторії Берклі та Каліфорнійського університету в Берклі, головний дослідник A-Lab, сказав: «Ми досягли приголомшливих 71 відсотка успіху, і ми знайшли деякі способи вдосконалитися. Ми довели, що поєднання теорії та даних з автоматизацією дає неймовірні результати. Ми можемо виготовляти та тестувати матеріали швидше, ніж будь-коли раніше. "

Згідно з повідомленнями, з деякими невеликими змінами в алгоритмі прийняття рішень цей показник успіху може бути збільшений до 74%, а при вдосконаленні обчислювальної техніки показник успішності може бути додатково збільшений до 78%.

«Ми не тільки хочемо зробити дані, які ми виробляємо, безкоштовними та придатними для використання, щоб прискорити дизайн матеріалів у всьому світі, але ми також хочемо навчити світ, що комп’ютери можуть зробити для людей», — сказав Перссон. Вони можуть сканувати широкий спектр нових сполук і властивостей ефективніше і швидше, ніж експерименти поодинці. "

За допомогою таких компаній, як A-Lab і GNoME, вчені можуть зосередитися на перспективних матеріалах для майбутніх технологій, таких як більш легкі сплави, які покращують економію палива в автомобілях, більш ефективні сонячні елементи, які підвищують ефективність відновлюваних джерел енергії, або більш швидкі транзистори в комп’ютерах наступного покоління.

Доведений потенціал застосування

В даний час проект Materials обробляє більше сполук Google DeepMind і додає їх в онлайн-базу даних. Нові дані будуть надані дослідникам безкоштовно, а також будуть використані в таких проектах, як A-Lab, яка співпрацює з Materials Project.

Рисунок: Структури 12 сполук у базі даних Materials Project.

За останнє десятиліття дослідники експериментально підтвердили корисність нових матеріалів у низці областей, ґрунтуючись на підказках із даних Materials Project. Деякі з них показали потенціал застосування, наприклад:

При уловлюванні вуглецю (вилучення вуглекислого газу з атмосфери)
Як фотокаталізатор (матеріал, що прискорює хімічні реакції під дією світла, який можна використовувати для розщеплення забруднюючих речовин або отримання водню)
Як термоелектричний матеріал (матеріал, який допомагає використовувати відпрацьоване тепло та перетворювати його в електричну енергію)
Як прозорий провідник (може використовуватися для сонячних елементів, сенсорних екранів або світлодіодів)

Звичайно, пошук цих потенційних матеріалів є лише одним із багатьох кроків для вирішення деяких основних технологічних проблем, що стоять перед людством.

**На додаток до двох вищезгаданих досліджень, за останні роки штучний інтелект зробив багато проривів у відкритті та синтезі нових матеріалів. **

У 2020 році міжвідомча дослідницька група, включаючи Національний інститут стандартів і технологій (NIST), розробила алгоритм штучного інтелекту під назвою CAMEO, який автономно виявив потенційно корисний новий матеріал без додаткового навчання вчених.

Малюнок | Процес пошуку нових матеріалів у замкнутому циклі (Джерело: NIST)

У тому ж році дослідники з Університету штату Північна Кароліна і Університету в Буффало розробили технологію під назвою «Штучний хімік», яка поєднує в собі штучний інтелект і автоматизовані системи, що виконують хімічні реакції, щоб прискорити дослідження і розробки і виробництво нових хімічних матеріалів, необхідних для бізнесу.

У 2022 році наноінженери з Інженерної школи Каліфорнійського університету в Сан-Дієго розробили алгоритм штучного інтелекту M3GNet, який може майже миттєво передбачити структурні та динамічні властивості будь-якого матеріалу, існуючого чи нового. Дослідники можуть використовувати його для пошуку більш безпечних електродів і електролітів з більш високою щільністю енергії для літій-іонних акумуляторів.

Малюнок | Принципова схема багатокорпусної діаграми потенціальної енергії та основних розрахункових модулів (Джерело: Каліфорнійський університет, Сан-Дієго)

У березні дослідження, опубліковане в Nature Synthesis передбачало майбутнє прискореного матеріалознавства, зумовленого спільною розробкою комбінаторного синтезу та технологій штучного інтелекту. Щоб оцінити застосовність методів синтезу до конкретних експериментальних робочих процесів, дослідники встановили набір з десяти показників, що охоплюють швидкість синтезу, масштабованість, діапазон і якість синтезу, і узагальнили деякі методи селективного комбінаторного синтезу в контексті цих показників.

** Будучи основою і попередником високих технологій, нові матеріали мають широкий спектр застосування, і вони стали найважливішою і перспективною галуззю в 21 столітті разом з інформаційними технологіями і біотехнологіями. **

Очікується, що в майбутньому, з проривом у таких технологіях, як штучний інтелект, вчені зосередяться на матеріалах, які є більш перспективними в майбутніх технологіях, таких як легші сплави, які покращують економію палива в автомобілях, більш ефективні сонячні елементи, які сприяють відновлюваній енергії, і швидші транзистори, які відіграватимуть роль у наступному поколінні комп’ютерів.

Посилання на джерела:

Застереження: Інформація на цій сторінці може походити від третіх осіб і не відображає погляди або думки Gate. Вміст, що відображається на цій сторінці, є лише довідковим і не є фінансовою, інвестиційною або юридичною порадою. Gate не гарантує точність або повноту інформації і не несе відповідальності за будь-які збитки, що виникли в результаті використання цієї інформації. Інвестиції у віртуальні активи пов'язані з високим ризиком і піддаються значній ціновій волатильності. Ви можете втратити весь вкладений капітал. Будь ласка, повністю усвідомлюйте відповідні ризики та приймайте обережні рішення, виходячи з вашого фінансового становища та толерантності до ризику. Для отримання детальної інформації, будь ласка, зверніться до Застереження.

Прокоментувати

0/400

Немає коментарів