En Google DeepMind AI upptäckte precis 380,000 XNUMX nya material. Den här roboten lagar upp dem.

Återutgiven av Platon

anhängare: 0

En Google DeepMind AI upptäckte precis 380,000 XNUMX nya material. Den här roboten lagar upp dem. PlatoBlockchain Data Intelligence. Vertikal sökning. Ai.

En robotkemist slog sig precis ihop med en AI-hjärna för att skapa en mängd nya material.

Två samarbetsstudier från Google DeepMind och University of California, Berkeley, beskriver ett system som förutsäger egenskaperna hos nya material – inklusive de som kan vara användbara i batterier och solceller—och producerar dem med en robotarm.

Vi tar vardagsmaterial för givet: plastmuggar för en högtidsfest, komponenter i våra smartphones eller syntetfibrer i jackor som håller oss varma när kyliga vindar slår till.

Forskare har mödosamt upptäckt ungefär 20,000 XNUMX olika typer av material som låter oss bygga allt från datorchip till pösiga rockar och flygplansvingar. Tiotusentals mer potentiellt användbara material är under arbete. Ändå har vi bara skrapat på ytan.

Berkeley-laget utvecklat en kockliknande robot som blandar och värmer ingredienser och automatiskt omvandlar recept till material. Som ett "smaktest" analyserar systemet, kallat A-Lab, de kemiska egenskaperna hos varje slutprodukt för att se om den träffar målet.

Under tiden, DeepMinds AI hittat på otaliga recept för A-Lab-kocken att laga mat. Det är en rejäl lista. Med hjälp av en populär strategi för maskininlärning, AI:n som hittats två miljoner kemiska strukturer och 380,000 XNUMX nya stabila material – många går emot mänsklig intuition. Verket är en "storhetsordning"-expansion på det material som vi för närvarande känner till, författarna skrev.

Med hjälp av DeepMinds kokbok körde A-Lab i 17 dagar och syntetiserade 41 av 58 målkemikalier – en seger som skulle ha tagit månader, om inte år, av traditionella experiment.

Tillsammans skulle samarbetet kunna lansera en ny era av materialvetenskap. "Det är väldigt imponerande" sade Dr Andrew Rosen vid Princeton University, som inte var involverad i arbetet.

Låt oss prata kemikalier

Titta omkring dig. Många saker vi tar för givet – den där smartphoneskärmen du kanske rullar på – är baserade på materialkemi.

Forskare har länge använt trial and error för att upptäcka kemiskt stabila strukturer. Liksom legoklossar kan dessa komponenter byggas in i komplexa material som motstår dramatiska temperaturförändringar eller höga tryck, vilket gör att vi kan utforska världen från djuphavet till yttre rymden.

När de väl har kartlagts fångar forskarna kristallstrukturerna av dessa komponenter och sparar dessa strukturer som referens. Tiotusentals är redan inlagda i databanker.

I den nya studien utnyttjade DeepMind dessa kända kristallstrukturer. Teamet tränade ett AI-system på ett enormt bibliotek med hundratusentals material som kallas Materialprojekt. Biblioteket innehåller material som vi redan är bekanta med och använder, tillsammans med tusentals strukturer med okända men potentiellt användbara egenskaper.

DeepMinds nya AI tränade på 20,000 28,000 kända oorganiska kristaller – och ytterligare XNUMX XNUMX lovande kandidater – från Materials Project för att lära sig vilka egenskaper som gör ett material önskvärt.

I grund och botten fungerar AI som en kock som testar recept: Lägg till något här, ändra några ingredienser där, och genom att testa och missa når det önskade resultat. Matad data från datamängden genererade det förutsägelser för potentiellt stabila nya kemikalier, tillsammans med deras egenskaper. Resultaten matades tillbaka till AI för att ytterligare finslipa dess "recept".

Under många omgångar tillät träningen AI:n att göra små misstag. Istället för att byta ut flera kemiska strukturer samtidigt - ett potentiellt katastrofalt drag - utvärderade AI iterativt små kemiska förändringar. Till exempel, istället för att ersätta en kemisk komponent med en annan, kan den försöka bara ersätta hälften. Om bytena inte fungerade, inga problem, systemet sårade bort alla kandidater som inte var stabila.

AI producerade så småningom 2.2 miljoner kemiska strukturer, 380,000 500 av vilka den förutspådde skulle vara stabila om de syntetiserades. Över XNUMX av de nyfunna materialen var relaterade till litiumjonledare, som spelar en avgörande roll i dagens batterier.

"Detta är som ChatGPT för material upptäckt," sade Dr Carla Gomes vid Cornell University, som inte var involverad i forskningen.

Mind to Matter

DeepMinds AI-förutsägelser är just det: Det som ser bra ut på papper kanske inte alltid fungerar.

Här kommer A-Lab in. Ett team ledd av Dr. Gerbrand Ceder vid UC Berkeley och Lawrence Berkeley National Laboratory byggde ett automatiserat robotsystem som styrs av en AI som utbildats i mer än 30,000 XNUMX publicerade kemiska recept. Med hjälp av robotarmar bygger A-Lab nya material genom att plocka, blanda och värma ingredienser enligt ett recept.

Under två veckors utbildning tog A-Lab fram en rad recept på 41 nya material utan mänsklig insats. Det var ingen total framgång: 17 material uppfyllde inte sin prägel. Men med ett skvätt mänskligt ingripande, syntetiserade roboten dessa material utan problem.

Tillsammans öppnar de två studierna ett universum av nya föreningar som kan möta dagens globala utmaningar. Nästa steg inkluderar att lägga till kemiska och fysikaliska egenskaper till algoritmen för att ytterligare förbättra dess förståelse av den fysiska världen och syntetisera fler material för testning.

DeepMind släpper sin AI och några av dess kemiska recept till allmänheten. Under tiden kör A-Lab recept från databasen och laddar upp deras resultat till Materials Project.

För Ceder kan en AI-genererad karta över nya material "förändra världen." Det är inte A-lab själv, han sade. Det är snarare "kunskapen och informationen som den genererar."

Bildkredit: Marilyn Sargent/Berkeley Lab