AI tool GNoME finds 2.2 million new crystals, including 380,000 stable materials that could power future technologies.
https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/
Google DeepMind希望通过一种新工具来改变这种状况，该工具使用深度学习来大大加快发现新材料的过程。该技术被称为材料探索图形网络（GNoME），已被用于预测220万种新材料的结构，其中700多种已经在实验室中创建，目前正在测试中。今天发表在《自然》杂志上的一篇论文对此进行了描述。
除了GNoME，劳伦斯伯克利国家实验室也宣布了一个新的自主实验室。该实验室从材料数据库中获取数据，其中包括GNoME的一些发现，并使用机器学习和机械臂在没有人类帮助的情况下设计新材料。谷歌DeepMind表示，这些进步共同展示了使用人工智能扩大新材料发现和开发的潜力。
GNoME可以被描述为用于材料发现的AlphaFold，麻省理工学院材料科学与工程教授Ju Li表示。AlphaFold 是 2020 年发布的 DeepMind AI 系统，可以高精度地预测蛋白质的结构，并推动了生物学研究和药物发现的发展。多亏了GNoME，已知的稳定材料数量增长了近十倍，达到421,000种。
“虽然材料在几乎任何技术中都扮演着非常关键的角色，但我们人类只知道几万种稳定的材料，”谷歌DeepMind的材料发现负责人Dogus Cubuk在新闻发布会上说。
为了发现新材料，科学家们将元素周期表中的元素组合在一起。但是因为有太多的组合，盲目地做这个过程是低效的。取而代之的是，研究人员在现有结构的基础上进行小幅调整，以期发现具有潜力的新组合。然而，这个艰苦的过程仍然非常耗时。此外，由于它建立在现有结构之上，因此限制了意外发现的可能性。
为了克服这些限制，DeepMind 结合了两种不同的深度学习模型。第一种通过对现有材料中的元素进行修改来生成超过十亿个结构。然而，第二种忽略了现有的结构，纯粹根据化学式来预测新材料的稳定性。这两种模式的结合提供了更广泛的可能性。
一旦生成候选结构，它们就会通过 DeepMind 的 GNoME 模型进行过滤。这些模型预测给定结构的分解能量，这是材料稳定性的重要指标。“稳定”的材料不易分解，这对于工程目的很重要。GNoME 选择最有前途的候选者，并根据已知的理论框架进行进一步评估。
然后多次重复此过程，每个发现都纳入下一轮训练。
在第一轮中，GNoME以大约5%的精度预测了不同材料的稳定性，但在整个迭代学习过程中，它迅速增加。最终结果显示，GNoME在第一个模型和第二个模型中分别在80%和33%的时间内成功预测了结构的稳定性。
使用人工智能模型来提出新材料并不是一个新想法。由伯克利实验室的克里斯汀·佩尔森（Kristin Persson）领导的材料项目已经使用类似的技术来发现和提高48,000种材料的稳定性。
然而，GNoME 的规模和精度使其与以前的努力区分开来。它比以前的任何模型都多了一个数量级的数据进行训练，明尼苏达大学化学工程和材料科学助理教授克里斯·巴特尔说。
以前，进行类似的计算成本高昂且规模有限，马里兰大学（University of Maryland）材料科学与工程副教授Yifei Mo说。GNoME 允许这些计算以更高的精度和更低的计算成本进行扩展，Mo 说：“影响可能是巨大的。
一旦确定了新材料，合成它们并证明其有用性也同样重要。伯克利实验室的新自主实验室名为A-Lab，一直在将GNoME的一些发现与材料项目信息相结合，将机器人技术与机器学习相结合，以优化此类材料的开发。
该实验室能够自行决定如何制造拟议的材料，并创建多达五种初始配方。这些公式是由在现有科学文献上训练的机器学习模型生成的。每次实验后，实验室都会使用结果来调整配方。
伯克利实验室的研究人员表示，A-Lab能够在17天内进行355次实验，并成功合成了58种化合物中的41种。这相当于每天两次成功的合成。
在典型的、以人为主导的实验室中，制造材料需要更长的时间。“如果你运气不好，可能需要几个月甚至几年的时间，”佩尔森在新闻发布会上说。她说，大多数学生在几周后就放弃了。“但A-Lab并不介意失败。它一直在尝试和尝试。
DeepMind和伯克利实验室的研究人员表示，这些新的人工智能工具可以帮助加速能源、计算和许多其他领域的硬件创新。
“如果我们要解决气候危机，硬件，尤其是在清洁能源方面，需要创新，”佩尔森说。“这是加速创新的一个方面。”
没有参与这项研究的巴特尔说，这些材料将成为电池、计算机芯片、陶瓷和电子技术的有希望的候选者。
锂离子电池导体是最有前途的用例之一。导体通过促进电流在各种组件之间的流动在电池中发挥着重要作用。DeepMind表示，GNoME在其他发现中发现了528种有前途的锂离子导体，其中一些可能有助于提高电池效率。
然而，即使在新材料被发现之后，工业界通常也需要几十年的时间才能将其推向商业阶段。“如果我们能将这一时间缩短到五年，那将是一个很大的进步，”库布克说。
暂无评论内容