En Google DeepMind AI oppdaget nettopp 380,000 XNUMX nye materialer. Denne roboten koker dem opp.

En Google DeepMind AI oppdaget nettopp 380,000 XNUMX nye materialer. Denne roboten koker dem opp.

Tidsstempel: 30. november 2023 5:40
En Google DeepMind AI oppdaget nettopp 380,000 XNUMX nye materialer. Denne roboten koker dem opp. PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

En robotkjemiker slo seg nettopp sammen med en AI-hjerne for å lage en rekke nye materialer.

To samarbeidsstudier fra Google DeepMind og University of California, Berkeley, beskriver et system som forutsier egenskapene til nye materialer – inkludert de som kan være nyttige i batterier og solceller-og produserer dem med en robotarm.

Vi tar hverdagslige materialer for gitt: plastkopper til en høytidsfest, komponenter i smarttelefonene våre, eller syntetiske fibre i jakker som holder oss varme når kjølig vind slår til.

Forskere har møysommelig oppdaget omtrent 20,000 XNUMX forskjellige typer materialer som lar oss bygge alt fra datamaskinbrikker til hovne frakker og flyvinger. Titusenvis flere potensielt nyttige materialer er under arbeid. Likevel har vi bare skrapet på overflaten.

Berkeley-laget utviklet en kokk-lignende robot som blander og varmer opp ingredienser, og automatisk transformerer oppskrifter til materialer. Som en "smakstest" analyserer systemet, kalt A-Lab, de kjemiske egenskapene til hvert sluttprodukt for å se om det treffer målet.

I mellomtiden, DeepMinds AI fant opp utallige oppskrifter for A-Lab-kokken å lage mat. Det er en heftig liste. Ved å bruke en populær maskinlæringsstrategi, AI funnet to millioner kjemiske strukturer og 380,000 XNUMX nye stabile materialer – mange i strid med menneskelig intuisjon. Verket er en utvidelse av "størrelsesorden" på materialene vi kjenner for øyeblikket, forfatterne skrev.

Ved å bruke DeepMinds kokebok kjørte A-Lab i 17 dager og syntetiserte 41 av 58 målkjemikalier – en seier som ville ha tatt måneder, om ikke år, med tradisjonelle eksperimenter.

Sammen kan samarbeidet lansere en ny æra innen materialvitenskap. "Det er veldig imponerende," sa Dr. Andrew Rosen ved Princeton University, som ikke var involvert i arbeidet.

La oss snakke om kjemikalier

Se rundt deg. Mange ting vi tar for gitt – den smarttelefonskjermen du kanskje ruller på – er basert på materialkjemi.

Forskere har lenge brukt prøving og feiling for å oppdage kjemisk stabile strukturer. I likhet med legoklosser kan disse komponentene bygges inn i komplekse materialer som motstår dramatiske temperaturendringer eller høye trykk, slik at vi kan utforske verden fra dyphavet til verdensrommet.

Når de er kartlagt, fanger forskerne krystallstrukturene til disse komponentene og lagrer disse strukturene for referanse. Titusenvis er allerede deponert i databanker.

I den nye studien utnyttet DeepMind disse kjente krystallstrukturene. Teamet trente et AI-system på et massivt bibliotek med hundretusenvis av materialer kalt Materialprosjekt. Biblioteket inneholder materialer vi allerede er kjent med og bruker, sammen med tusenvis av strukturer med ukjente, men potensielt nyttige egenskaper.

DeepMinds nye AI trente på 20,000 28,000 kjente uorganiske krystaller – og ytterligere XNUMX XNUMX lovende kandidater – fra Materials Project for å lære hvilke egenskaper som gjør et materiale ønskelig.

I hovedsak fungerer AI som en kokk som tester oppskrifter: Legg til noe her, endre noen ingredienser der, og gjennom prøving og feiling når den de ønskede resultatene. Matet med data fra datasettet genererte det spådommer for potensielt stabile nye kjemikalier, sammen med deres egenskaper. Resultatene ble matet tilbake til AI for å finpusse «oppskriftene» ytterligere.

Over mange runder tillot treningen AI å gjøre små feil. I stedet for å bytte ut flere kjemiske strukturer samtidig - et potensielt katastrofalt trekk - evaluerte AI iterativt små kjemiske endringer. For eksempel, i stedet for å erstatte en kjemisk komponent med en annen, kan den prøve å bare erstatte halvparten. Hvis byttene ikke fungerte, ikke noe problem, systemet luket ut alle kandidater som ikke var stabile.

AI produserte til slutt 2.2 millioner kjemiske strukturer, hvorav 380,000 500 den spådde ville være stabile hvis de ble syntetisert. Over XNUMX av de nyfunne materialene var relatert til litium-ion-ledere, som spiller en kritisk rolle i dagens batterier.

"Dette er som ChatGPT for materialoppdagelse," sa Dr. Carla Gomes ved Cornell University, som ikke var involvert i forskningen.

Mind to Matter

DeepMinds AI-spådommer er nettopp det: Det som ser bra ut på papiret fungerer kanskje ikke alltid.

Her er hvor A-Lab kommer inn. Et team ledet av Dr. Gerbrand Ceder ved UC Berkeley og Lawrence Berkeley National Laboratory bygde et automatisert robotsystem regissert av en AI trent på mer enn 30,000 XNUMX publiserte kjemiske oppskrifter. Ved å bruke robotarmer bygger A-Lab nye materialer ved å plukke, blande og varme ingredienser i henhold til en oppskrift.

I løpet av to uker med opplæring produserte A-Lab en rekke oppskrifter på 41 nye materialer uten menneskelig innspill. Det var ikke en total suksess: 17 materialer klarte ikke å oppfylle sitt preg. Imidlertid, med en dash av menneskelig inngripen, syntetiserte roboten disse materialene uten problemer.

Sammen åpner de to studiene et univers av nye forbindelser som kan møte dagens globale utfordringer. De neste trinnene inkluderer å legge til kjemiske og fysiske egenskaper til algoritmen for å forbedre forståelsen av den fysiske verdenen og syntetisere flere materialer for testing.

DeepMind slipper AI og noen av dens kjemiske oppskrifter til publikum. I mellomtiden kjører A-Lab oppskrifter fra databasen og laster opp resultatene deres til Materials Project.

For Ceder kan et AI-generert kart over nye materialer "forandre verden." Det er ikke A-lab i seg selv, han sa. Snarere er det "kunnskapen og informasjonen den genererer."

Bildekreditt: Marilyn Sargent/Berkeley Lab

Tidstempel:

Mer fra Singularity Hub