Поваренная книга материалов внезапно стала в десятки раз длиннее. Современные технологии, от электроники до самолетов, основаны всего на 20 тыс. неорганических материалов, в основном открытых методом проб и ошибок, а ученые предсказали, но не сделали еще десятки тысяч. Однако на этой неделе исследователи сообщают, что с помощью нового искусственного интеллекта они предсказали ингредиенты и свойства еще 2,2 млн материалов. В параллельном исследовании отдельная группа показала, что такие предсказанные материалы можно эффективно создавать, опять же с помощью ИИ.
По словам исследователей, эти отчеты предвещают новую эпоху материаловедения, когда программы искусственного интеллекта и роботы будут способствовать поиску новых батарей, сверхпроводников и катализаторов.
Прогнозы, опубликованные в журнале Nature, являются еще одним удачным ходом для новаторов искусственного интеллекта из DeepMind, дочерней компании Google. В октябре 2023 года они описали алгоритм искусственного интеллекта, который работает на ноутбуках и может предсказывать погоду так же точно, как и большие модели, управляемые суперкомпьютерами. До этого компания DeepMind разработала AlphaFold — ИИ, способный предсказывать трехмерную форму сотен миллионов различных белков только по их аминокислотной последовательности. Новая работа, по словам Розена, «является эквивалентом AlphaFold в области материаловедения».
Как и предыдущие достижения компании DeepMind, это обучило ИИ на обширных данных. Исследователи начали с проекта «Материалы» — базы данных всех известных и предсказанных неорганических кристаллов. Эта база данных включает не только кристаллическую структуру каждого материала, но и такие свойства, как его электронная структура, магнитное поведение и твердость. За последнее десятилетие команды Materials Project ввели данные о 20 тыс. известных неорганических кристаллах в алгоритмы машинного обучения, сопоставляющие образцы, чтобы предсказать еще 28 тыс. неорганических кристаллов, которые должны быть стабильными.
В своей текущей работе исследователи DeepMind во главе с Догусом Кубуком, который возглавляет исследование материалов в компании, использовали данные об этих 48 тыс. известных и предсказанных соединениях, а также информацию из других связанных баз данных, чтобы обучить модель искусственного интеллекта с «активным обучением».
Модель под названием GNoME (от графовых сетей для исследования материалов), ИИ может обнаруживать закономерности, выходящие за рамки исходных данных обучения. GNoME сделал первоначальный раунд предсказаний возможных новых стабильных кристаллов и рассчитал их свойства, а затем команда исследователей добавила результаты к данным обучения и повторила цикл. После нескольких таких раундов спрогнозировал 2,2 млн новых соединений. Рассчитанная «энергия образования» — мера стабильности — для 381 тыс. из них предполагала, что, если исследователи смогут их синтезировать, они должны быть стабильными и не разлагаться на другие структуры.
Среди находок — слоистые материалы, подобные тем, которые используются в аккумуляторных электродах. В то время как проект «Материалы» выявил 1 тыс. таких соединений, GNoME предсказал, что их будет 52 тыс., включая 528 литий-ионных проводников — материала, который имеет решающее значение для лучших на ноябрь 2023 года батарей. Догус Кубук также отмечает, что в отличие от ранее предсказанных кристаллов, которые в основном сочетали в себе два, три или четыре элемента, многие из предсказанных DeepMind структур содержат пять и даже шесть элементов. Это позволяет открывать материалы в гораздо более широком диапазоне составов. Возможно, в этом наборе данных мы сможем найти материалы будущего. Следующим шагом является синтез материалов, традиционно процесс проб и ошибок, который может занять месяцы или годы для одного соединения.
Внешние тесты показывают, что уровень успеха GNoME в прогнозировании стабильных структур достигает 80% по сравнению с 50%, достигнутыми предыдущими алгоритмами. А исследователи DeepMind отмечают, что независимые экспериментаторы уже изготовили 736 предсказанных материалов, проверив их стабильность. Даже материалы, которые не уверены в своей стабильности, могут быть чрезвычайно долговечными, так же как алмаз живет 1 млрд лет и более, прежде чем разложиться на графит.
Другой тип ИИ может помочь синтезировать больше предсказаний GNoME, предполагает еще одна статья, опубликованная на этой неделе в журнале Nature. Исследователи из Национальной лаборатории Лоуренса в Беркли во главе с ученым-материаловедом Гербрандом Седером недавно построили лабораторию робототехники с искусственным интеллектом для создания предсказанных новых материалов. Теперь ученый и его коллеги сообщают, что эта установка быстро научилась совершенствовать рецепты синтеза новых соединений, предсказанных алгоритмом Materials Project. За 17 дней роботы успешно синтезировали 41 материал из 58, которые они попытались сделать.
Исследователи DeepMind заявляют, что они немедленно опубликуют данные о 381 тыс. соединениях, которые, по прогнозам, будут стабильными, и сделают код своей модели общедоступной. В конечном итоге они могут опубликовать все 2,2 млн рецептов. Но Ганозе, например, не хочет ждать. Изучение всего арсенала могло бы помочь ученым лучше определить, что позволяет некоторым соединениям быть стабильными, а другим — менее стабильными.