ШІ Google DeepMind щойно виявив 380,000 XNUMX нових матеріалів. Цей робот їх готує.

ШІ Google DeepMind щойно виявив 380,000 XNUMX нових матеріалів. Цей робот їх готує.

Мітка часу: 30 листопада 2023 р., 5:40
ШІ Google DeepMind щойно виявив 380,000 XNUMX нових матеріалів. Цей робот їх готує. PlatoBlockchain Data Intelligence. Вертикальний пошук. Ai.

Робот-хімік щойно об’єднався з мозком штучного інтелекту, щоб створити скарбницю нових матеріалів.

Два спільних дослідження Google DeepMind і Каліфорнійського університету в Берклі описують систему, яка передбачає властивості нових матеріалів, у тому числі потенційно корисних для батарей і сонячних елементів—і створює їх за допомогою a роботизована рука.

Ми сприймаємо повсякденні матеріали як належне: пластикові стаканчики для святкового застілля, компоненти в наших смартфонах або синтетичні волокна в куртках, які зігрівають нас, коли вдаряє холодний вітер.

Вчені старанно виявили приблизно 20,000 XNUMX різних типів матеріалів, з яких можна будувати будь-що комп'ютерні мікросхеми до пухких пальто та крил літака. У роботі знаходяться ще десятки тисяч потенційно корисних матеріалів. Але ми лише подряпали поверхню.

Команда Берклі розробив робота-кухаря, який змішує та нагріває інгредієнти, автоматично перетворюючи рецепти на матеріали. Як «тест на смак» система, яка отримала назву A-Lab, аналізує хімічні властивості кожного кінцевого продукту, щоб побачити, чи відповідає він меті.

Між тим, ШІ DeepMind придумав незліченні рецепти для шеф-кухаря A-Lab. Це чималий список. Використовуючи популярну стратегію машинного навчання, ШІ знайшов два мільйони хімічних структур і 380,000 XNUMX нових стабільних матеріалів — багато з них суперечать людській інтуїції. Робота є розширенням «на порядок» тих матеріалів, які ми наразі знаємо, автори пише.

Використовуючи кулінарну книгу DeepMind, A-Lab працювала протягом 17 днів і синтезувала 41 із 58 цільових хімікатів — перемога, на яку були б потрібні місяці, якщо не роки, традиційних експериментів.

Разом ця співпраця може започаткувати нову еру матеріалознавства. «Це дуже вражаюче» сказав Доктор Ендрю Розен з Прінстонського університету, який не брав участі в роботі.

Давайте поговоримо про хімікати

Подивіться навколо себе. Багато речей, які ми сприймаємо як належне — екран смартфона, на якому ви можете прокручувати — базуються на хімії матеріалів.

Вчені давно використовують метод проб і помилок, щоб виявити хімічно стабільні структури. Подібно до блоків Lego, ці компоненти можна вбудовувати в складні матеріали, які витримують різкі перепади температури або високий тиск, що дозволяє нам досліджувати світ від морських глибин до відкритого космосу.

Після картографування вчені фіксують кристалічні структури цих компонентів і зберігають ці структури для довідки. Десятки тисяч уже розміщено в банках даних.

У новому дослідженні DeepMind скористався цими відомими кристалічними структурами. Команда навчила систему ШІ на величезній бібліотеці із сотнями тисяч матеріалів під назвою Проект матеріалів. Бібліотека містить матеріали, з якими ми вже знайомі та використовуємо, а також тисячі структур із невідомими, але потенційно корисними властивостями.

Новий штучний інтелект DeepMind навчався на 20,000 28,000 відомих неорганічних кристалах — і ще на XNUMX XNUMX перспективних кандидатах — із Проекту матеріалів, щоб дізнатися, які властивості роблять матеріал бажаним.

По суті, штучний інтелект працює як кухар, який тестує рецепти: додайте щось сюди, змініть деякі інгредієнти там, і методом проб і помилок він досягає бажаних результатів. Отримавши дані з набору даних, він створив прогнози щодо потенційно стабільних нових хімічних речовин разом із їхніми властивостями. Результати були передані в ШІ для подальшого вдосконалення його «рецептів».

Протягом багатьох раундів навчання дозволяло ШІ робити невеликі помилки. Замість того, щоб міняти кілька хімічних структур одночасно — потенційно катастрофічний крок — штучний інтелект ітеративно оцінював невеликі хімічні зміни. Наприклад, замість того, щоб замінити один хімічний компонент іншим, він може спробувати замінити лише половину. Якщо обміни не спрацювали, не біда, система відсіяла будь-яких кандидатів, які не були стабільними.

Зрештою ШІ створив 2.2 мільйона хімічних структур, 380,000 500 з яких, за його прогнозами, будуть стабільними, якщо їх синтезувати. Понад XNUMX нещодавно знайдених матеріалів були пов’язані з літій-іонними провідниками, які відіграють важливу роль у сучасних батареях.

«Це як ChatGPT для пошуку матеріалів», сказав Доктор Карла Гомес з Корнельського університету, яка не брала участі в дослідженні.

Від розуму до матерії

Прогнози ШІ DeepMind свідчать саме про те: те, що добре виглядає на папері, не завжди може спрацювати.

Ось тут на допомогу приходить A-Lab. Команда під керівництвом доктора Гербранда Седера з Каліфорнійського університету в Берклі та Національної лабораторії Лоуренса Берклі створила автоматизовану роботизовану систему, керовану штучним інтелектом, навченим понад 30,000 XNUMX опублікованих хімічних рецептів. Використовуючи роботизовані руки, A-Lab створює нові матеріали, збираючи, змішуючи та нагріваючи інгредієнти відповідно до рецепту.

За два тижні навчання A-Lab підготувала низку рецептів для 41 нового матеріалу без участі людини. Повного успіху не було: 17 матеріалів не витримали своєї оцінки. Однак за допомогою людського втручання робот синтезував ці матеріали без проблем.

Разом ці два дослідження відкривають всесвіт нових сполук, які можуть задовольнити сучасні глобальні виклики. Наступні кроки включають додавання хімічних і фізичних властивостей до алгоритму для подальшого покращення його розуміння фізичного світу та синтезу більше матеріалів для тестування.

DeepMind випускає свій ШІ та деякі з його хімічних рецептів для громадськості. Тим часом A-Lab запускає рецепти з бази даних і завантажує їх результати до проекту матеріалів.

На думку Седера, створена штучним інтелектом карта нових матеріалів може «змінити світ». Це не сама А-лабораторія, він сказав. Швидше, це «знання та інформація, які він генерує».

Автор зображення: Мерилін Сарджент/Лабораторія Берклі

Часова мітка:

Більше від Хаб сингулярності