Google AI descubre 2,2 millones de nuevos materiales

Los cristales inorgánicos son un componente crucial de las tecnologías modernas. Les ordenó mucho Las estructuras atómicas les proporcionan Con propiedades químicas, electrónicas, magnéticas u ópticas únicas que se pueden utilizar en todo, desde baterías hasta paneles solares, microchips e incluso superconductores.

Fabricar nuevos cristales inorgánicos en el laboratorio, ya sea para mejorar una tecnología existente o impulsar una nueva, es bastante simple, en teoría. El investigador establece las condiciones, ejecuta el procedimiento y permite que su fracaso informe cómo se modifican las condiciones la próxima vez. Enjuague y repita hasta obtener un material fresco y consistente.

Pero en la práctica este proceso lleva mucho tiempo. Los métodos tradicionales se basan en conjeturas de prueba y error, que modifican una estructura cristalina conocida o toman una imagen en la oscuridad. Puede ser costoso, llevar meses y, si las cosas salen mal, dejar a los investigadores con poca idea de cómo o por qué.

De acuerdo con la Materiales borrador, una base de datos de acceso abierto fundada en el Laboratorio Nacional Lawrence Berkeley, los experimentos con humanos han llevado al descubrimiento de unos 20.000 cristales inorgánicos. Durante la última década, los investigadores han utilizado métodos matemáticos para llevar ese número a 48.000.

Entra Mente profundaEl laboratorio de investigación de inteligencia artificial de Google. Sus investigadores publicaron recientemente los resultados de una nueva IA de aprendizaje profundo diseñada para predecir las posibles estructuras de cristales inorgánicos previamente desconocidos. Los resultados llegan siglos antes de lo previsto.

Bola de cristal de Google

La nueva IA de DeepMind se llama Graph Networks for Material Exploration (o GNoME para abreviar). Como su nombre indica, es un Red neuronal gráfica Que funciona haciendo conexiones entre puntos de datos a través de gráficos.

GNOME se entrenó con los datos disponibles del Proyecto de Materiales y, utilizando esos 48.000 cristales inorgánicos previamente descubiertos como base, comenzó a construir estructuras cristalinas teóricas. Generó sus predicciones utilizando uno de dos canales. El primer oleoducto, conocido como “oleoducto estructural”, basó sus predicciones en estructuras cristalinas previamente conocidas. El segundo canal, conocido como “canal de síntesis”, adoptó un enfoque más aleatorio para ver qué moléculas podía unir.

Luego, la IA probó sus predicciones usando “Teoría funcional de la densidad«… un método utilizado en química y física para calcular la estructura de los átomos. Ya sea que el resultado fuera un fracaso o un éxito, generó más datos de entrenamiento de los cuales la IA podía aprender. Esto a su vez informó las predicciones de futuros oleoductos.

En esencia, la IA y las rutas de aprendizaje posteriores reflejan el enfoque experiencial humano descrito anteriormente. Simplemente aprovecha el poder de procesamiento de la IA para realizar cálculos mucho más rápidamente.

«Ciertamente, a diferencia del caso del lenguaje o la visión, en la ciencia de los materiales podemos seguir generando datos y descubrir cristales estables, que pueden reutilizarse para ampliar aún más el modelo», escribieron los investigadores.

En total, GNOME esperaba 2,2 millones de elementos nuevos. De ellos, alrededor de 380.000 se consideran los más estables y serán los principales candidatos para la síntesis en el futuro. Ejemplos de estos posibles cristales inorgánicos incluyen compuestos en capas similares al grafeno que pueden ayudar en el desarrollo de superconductores avanzados y conductores de iones de litio que podrían mejorar el rendimiento de la batería.

«El descubrimiento de 2,2 millones de sustancias por parte de GNoME equivaldría a unos 800 años de conocimiento y demuestra una escala y un nivel de precisión en las predicciones sin precedentes», dijeron Emil Merchant y Ekin Dogus Coppock, autores del estudio e investigadores de Google DeepMind. Agregar.

Equipo de investigación Publicaron sus hallazgos En una revista revisada por pares naturaleza. DeepMind también contribuirá con 380.000 materiales más estables al Proyecto de Materiales, donde estarán disponibles gratuitamente para los investigadores.

¡Los Autobots se reúnen!

Los materiales previstos en GNOME son teóricamente estables, pero pocos han sido verificados experimentalmente. Hasta ahora, los investigadores han producido de forma independiente sólo 736 de ellos en el laboratorio. Si bien esto indica que las predicciones del modelo son bastante precisas, también muestra el largo camino hasta fabricar, probar y aplicar experimentalmente los 380.000 modelos.

Para llenar este vacío, se encargó el Laboratorio Nacional Lawrence Berkeley. Su nuevo laboratorioEs una especie de laboratorio experimental que combina inteligencia artificial y robótica para realizar investigaciones completamente independientes, para formular 58 sustancias esperadas.

A-Lab es un sistema de circuito cerrado, lo que significa que puede tomar decisiones sobre qué hacer a continuación sin intervención humana. Una vez asignado a su tarea, puede seleccionar y mezclar ingredientes iniciales, inyectar aditivos durante el calentamiento, preparar el producto final y extraerlo en un difractómetro de rayos X para su análisis. La inteligencia artificial del laboratorio utilizará este análisis para guiar futuros intentos. Puede gestionar de 50 a 100 veces más muestras por día que un investigador humano típico.

«Algunas personas podrían comparar nuestra configuración con la fabricación, donde la automatización se ha utilizado durante mucho tiempo. Lo que creo que es interesante aquí es que nos hemos adaptado a un entorno de investigación, donde nunca sabemos el resultado hasta que se produce el material». Toda la configuración es adaptable, por lo que puede hacer frente al cambiante entorno de investigación en lugar de hacer siempre lo mismo”.

En el transcurso de 17 días, A-Lab dice que sintetizó con éxito 41 de 58 sustancias objetivo. Esto significa más de dos sujetos por día y una tasa de éxito del 71%. Los investigadores del NBNL publicaron sus hallazgos en último naturaleza papel*.

“Con su alta tasa de éxito en la validación de materiales previstos, A-Lab muestra el poder colectivo de Desde el principio [from the beginning] «Computaciones, algoritmos de aprendizaje automático, conocimiento histórico acumulado y automatización en la investigación experimental», escribieron los investigadores en el estudio.

Los investigadores también están investigando por qué los 17 cristales inorgánicos restantes no funcionaron. En algunos casos, las predicciones de gnomos pueden contener información inexacta. Para otros, ampliar el proceso de toma de decisiones y los algoritmos de aprendizaje activo de A-Lab puede generar resultados más positivos. En dos casos, volver a intentarlo con intervención humana resultó en una instalación exitosa.

Como tal, GNOME ha proporcionado a los A-Labs y a las instalaciones de investigación gestionadas por humanos de todo el mundo mucho con qué trabajar en el futuro previsible.

«Eso es lo que me propuse hacer con el Proyecto de Materiales: no sólo hacer que los datos que produje sean gratuitos y estén disponibles para acelerar el diseño de materiales para el mundo, sino también enseñarle al mundo lo que los cálculos pueden hacer por ti». grandes áreas para nuevos compuestos y propiedades de manera más eficiente y rápida «que los experimentos por sí solos». Christine Pearson, fundadora y directora del Materials Project, Él dijo.

Y añadió: «Tenemos que fabricar nuevos materiales si queremos hacer frente a los desafíos medioambientales y climáticos mundiales. A través de la innovación en materiales, podemos desarrollar plásticos reciclables, aprovechar la energía desperdiciada, fabricar mejores baterías y construir paneles solares más baratos que duren más, entre otras cosas». otras cosas.”mucho.

*Nota del autor: Desde que se publicó el artículo de A-Lab en naturalezaAlgunos estudiosos han pedido su retractación. Sostienen que el Laboratorio A no analizó adecuadamente los materiales generados y por lo tanto no pudo realizar identificaciones confiables. Puedes leer sobre La discusión que siguió aquí.