En Google DeepMind AI har netop opdaget 380,000 nye materialer. Denne robot koger dem op.

Genudgivet af Platon

Abonnenter: 0

En Google DeepMind AI har netop opdaget 380,000 nye materialer. Denne robot koger dem op. PlatoBlockchain Data Intelligence. Lodret søgning. Ai.

En robotkemiker har netop slået sig sammen med en AI-hjerne for at skabe en masse nye materialer.

To samarbejdsundersøgelser fra Google DeepMind og University of California, Berkeley, beskriver et system, der forudsiger egenskaberne af nye materialer – inklusive dem, der potentielt er nyttige i batterier og solceller-og producerer dem med en robotarm.

Vi tager hverdagsmaterialer for givet: plastikkopper til en feriefest, komponenter i vores smartphones eller syntetiske fibre i jakker, der holder os varme, når kølige vinde slår til.

Forskere har møjsommeligt opdaget omkring 20,000 forskellige typer materialer, der lader os bygge alt fra computerchips til hævede frakker og flyvinger. Titusindvis mere potentielt nyttige materialer er i værkerne. Alligevel har vi kun ridset overfladen.

Berkeley-holdet udviklet en kok-lignende robot, der blander og opvarmer ingredienser og automatisk omdanner opskrifter til materialer. Som en "smagstest" analyserer systemet, kaldet A-Lab, de kemiske egenskaber af hvert slutprodukt for at se, om det rammer målet.

I mellemtiden DeepMinds AI optænkt utallige opskrifter, som A-Lab-kokken kunne lave mad. Det er en heftig liste. Ved at bruge en populær maskinlæringsstrategi, AI fundet to millioner kemiske strukturer og 380,000 nye stabile materialer – mange i modstrid med menneskelig intuition. Værket er en "størrelsesorden" udvidelse af de materialer, som vi i øjeblikket kender, forfatterne skrev.

Ved at bruge DeepMinds kogebog kørte A-Lab i 17 dage og syntetiserede 41 ud af 58 målkemikalier - en sejr, der ville have taget måneder, hvis ikke år, med traditionelle eksperimenter.

Sammen kan samarbejdet lancere en ny æra inden for materialevidenskab. "Det er meget imponerende," sagde Dr. Andrew Rosen ved Princeton University, som ikke var involveret i arbejdet.

Lad os tale kemikalier

Se dig omkring. Mange ting, vi tager for givet - den smartphoneskærm, du måske ruller på - er baseret på materialekemi.

Forskere har længe brugt trial and error til at opdage kemisk stabile strukturer. Ligesom legoklodser kan disse komponenter bygges ind i komplekse materialer, der modstår dramatiske temperaturændringer eller høje tryk, hvilket giver os mulighed for at udforske verden fra dybt hav til det ydre rum.

Når de er kortlagt, fanger forskerne krystalstrukturerne af disse komponenter og gemmer disse strukturer til reference. Titusindvis er allerede deponeret i databanker.

I den nye undersøgelse udnyttede DeepMind disse kendte krystalstrukturer. Holdet trænede et AI-system på et massivt bibliotek med hundredtusindvis af materialer kaldet Materiale projekt. Biblioteket indeholder materialer, som vi allerede er bekendt med og bruger, sammen med tusindvis af strukturer med ukendte, men potentielt nyttige egenskaber.

DeepMinds nye AI trænede på 20,000 kendte uorganiske krystaller - og yderligere 28,000 lovende kandidater - fra Materials Project for at lære, hvilke egenskaber der gør et materiale ønskværdigt.

I det væsentlige fungerer AI som en kok, der tester opskrifter: Tilføj lidt her, skift nogle ingredienser der, og gennem prøve-og-fejl opnår den de ønskede resultater. Fed data fra datasættet genererede det forudsigelser for potentielt stabile nye kemikalier sammen med deres egenskaber. Resultaterne blev ført tilbage til AI for yderligere at finpudse dens "opskrifter".

Over mange runder tillod træningen AI'en at lave små fejl. I stedet for at udskifte flere kemiske strukturer på samme tid - et potentielt katastrofalt træk - evaluerede AI iterativt små kemiske ændringer. For eksempel, i stedet for at erstatte en kemisk komponent med en anden, kan den prøve kun at erstatte halvdelen. Hvis bytterne ikke virkede, var der ikke noget problem, systemet lugede alle kandidater ud, der ikke var stabile.

AI producerede til sidst 2.2 millioner kemiske strukturer, hvoraf 380,000 den forudsagde ville være stabile, hvis de blev syntetiseret. Over 500 af de nyfundne materialer var relateret til lithium-ion-ledere, som spiller en afgørende rolle i nutidens batterier.

"Dette er ligesom ChatGPT til materialeopdagelse," sagde Dr. Carla Gomes ved Cornell University, som ikke var involveret i forskningen.

Mind to Matter

DeepMinds AI-forudsigelser er netop det: Det, der ser godt ud på papiret, fungerer måske ikke altid.

Her er hvor A-Lab kommer ind i billedet. Et team ledet af Dr. Gerbrand Ceder ved UC Berkeley og Lawrence Berkeley National Laboratory byggede et automatiseret robotsystem styret af en AI trænet på mere end 30,000 offentliggjorte kemiske opskrifter. Ved hjælp af robotarme bygger A-Lab nye materialer ved at plukke, blande og opvarme ingredienser efter en opskrift.

I løbet af to ugers træning producerede A-Lab en række opskrifter på 41 nye materialer uden menneskelig input. Det var ikke en total succes: 17 materialer nåede ikke deres præg. Men med et strejf af menneskelig indgriben syntetiserede robotten disse materialer uden problemer.

Sammen åbner de to undersøgelser et univers af nye forbindelser, der kan imødekomme nutidens globale udfordringer. Næste trin omfatter tilføjelse af kemiske og fysiske egenskaber til algoritmen for yderligere at forbedre dens forståelse af den fysiske verden og syntetisere flere materialer til test.

DeepMind udgiver deres AI og nogle af dets kemiske opskrifter til offentligheden. I mellemtiden kører A-Lab opskrifter fra databasen og uploader deres resultater til Materials Project.

For Ceder kunne et AI-genereret kort over nye materialer "ændre verden." Det er ikke A-lab i sig selv, han sagde. Det er snarere "den viden og information, som den genererer."

Billedkredit: Marilyn Sargent/Berkeley Lab