GNoME (Graph Networks for Materials Exploration) — это ИИ-модель глубокого обучения от Google DeepMind, которая к 2026 году радикально изменила материаловедение, предсказав структуру 2.2 миллионов новых кристаллов и выделив из них 380 000 термодинамически стабильных соединений, готовых к синтезу для батарей нового поколения и чипов.
Конец эпохи «метода тыка»: как мы перестали гадать
Давайте честно: до прихода больших нейросетей поиск новых материалов напоминал средневековую алхимию. Ученые смешивали элементы, надеялись на удачу и годами ждали результатов. Я помню статистику начала 2020-х: за всю историю человечество открыло около 20 000 стабильных неорганических соединений. Еще примерно 28 000 были добавлены вычислительными методами прошлого поколения. Итого — меньше 50 тысяч за столетия.
А потом пришел GNoME и за пару месяцев вывалил на стол 380 000 стабильных кандидатов. Это эквивалент 800 лет человеческих исследований, сжатых в один вычислительный цикл. Сейчас, в 2026-м, мы уже не удивляемся этим цифрам, но важно понимать механику: ИИ не просто «нагаллюцинировал» формулы. Он использовал теорию графов, чтобы понять, как атомы упаковываются в пространстве, и предсказать энергию их связи с точностью, недоступной человеческой интуиции.
Анатомия прорыва: цифры, которые нельзя игнорировать
Чтобы вы понимали масштаб, GNoME не просто дал список. Он дал карту. Я, Максим Гончаров, часто повторяю коллегам: данные без контекста — это мусор. GNoME же предоставил «книгу рецептов», отсеяв то, что распадется через секунду.
Сравнение эффективности (данные на 2026 год)
Параметр Традиционный метод (до ИИ) Эра GNoME и SearchGPT Точность прогноза стабильности ~50% (или ниже) 80%+ Литий-ионные проводники Единицы известных 528 новых кандидатов Слоистые материалы (типа графена) Ограниченный набор 52 000+ вариантов Скорость проверки Годы Миллисекунды
Особенно впечатляет история с 736 материалами. Еще на момент релиза статьи в Nature (конец 2023), независимые лаборатории по всему миру физически синтезировали эти 736 кристаллов, сами того не зная подтвердив предсказания алгоритма. Это был тот самый момент, когда скептики замолчали.
A-Lab: когда роботы берут дело в свои руки
Предсказать материал — полдела. Его нужно сварить. Здесь на сцену вышла концепция A-Lab (автономной лаборатории в Беркли). Представьте комнату, набитую роборуками, печами и спектрометрами, где нет людей. ИИ-мозг (основанный на тех же принципах, что и GNoME) генерирует рецепт, роботы смешивают порошки, запекают, анализируют результат.
Если синтез не удался, система использует активное обучение (Active Learning), корректирует температуру или время и пробует снова. Еще на старте они отчитались о синтезе 41 нового материала за 17 дней. Сейчас, в 2026-м, такие Self-Driving Labs (SDL) стали стандартом для R&D центров крупных корпораций. Мы перестали тратить время лаборантов на рутину.
Друзья, если вы хотите понимать, как внедрять такие технологии в свой бизнес, а не просто читать о них в новостях, я делюсь внутренней кухней.
Практика 2026: как мы используем это сейчас
После хайпа 2024 года индустрия повзрослела. Мы поняли, что просто «скачать базу GNoME» недостаточно. Вот как работают профи сегодня:
- Фильтрация — новый поиск. Вместо того чтобы искать иголку в стоге сена, мы берем стог сена от GNoME (доступный через The Materials Project) и сжигаем лишнее. Мы накладываем фильтры: стоимость компонентов, токсичность, доступность редкоземельных металлов.
- Гибридный подход. Чистый end-to-end ИИ все еще ошибается. Самая рабочая схема: GNoME выдает 100 кандидатов -> эксперт-химик выбирает 5 -> робот синтезирует.
- Охота за батареями. Основной фокус сейчас — на тех самых 528 литий-ионных проводниках. Это гонка за твердотельными аккумуляторами, которые не горят и заряжаются за минуты.
Честный взгляд: ложка дегтя в бочке кристаллов
Буду откровенен — не все так радужно, как пишут в пресс-релизах Google. К 2026 году мы набили достаточно шишек, чтобы видеть подводные камни.
Во-первых, проблема «тривиальности». Еще в 2024 году профессора Cheetham и Seshadri выпустили разгромные статьи, указывая, что многие «новые» материалы GNoME — это просто химические вариации уже известных структур. Грубо говоря, ИИ заменил один атом на похожий и назвал это открытием. Формально — да, но пользы от такого материала может быть ноль.
Во-вторых, теоретическая стабильность ≠ синтезируемость. То, что кристалл стабилен «на бумаге» (или в облаке), не значит, что его можно получить в реальной печи. Кинетические барьеры никто не отменял. Многие предсказанные соединения требуют таких условий давления и температуры, что их производство будет стоить дороже золота. Сейчас тренд сместился от «найди что угодно» к «найди то, что можно дешево произвести».
Резюме
Алгоритм GNoME не заменил ученых, но он дал нам экзоскелет. Мы перестали быть слепыми котятами и стали инженерами, которые выбирают из 380 000 вариантов лучшие. Будущее материаловедения — это не пробирки, это дата-сеты.
А чтобы быть в курсе того, как ИИ меняет не только науку, но и ваши бизнес-процессы, и забирать рабочие инструменты — заходите в канал: Telegram-канал
Частые вопросы
Где можно скачать базу материалов GNoME?
Все данные были выгружены в The Materials Project. Это открытый репозиторий, доступный исследователям. Сейчас там уже встроены удобные фильтры для поиска по свойствам кристаллов.
Может ли GNoME придумать новый сверхпроводник?
Да, это одна из главных целей. Среди найденных слоистых материалов есть потенциальные кандидаты, но… ой, то есть, главное препятствие сейчас — это проверка их свойств в реальности, что занимает время.
Заменит ли A-Lab химиков-людей?
Нет. Роботы отлично справляются с рутиной (смешать, нагреть, измерить), но постановка гипотез и интерпретация сложных аномалий все еще требуют человеческого интеллекта. Мы переходим в роль «архитекторов», а не «строителей».
Почему из 2.2 млн осталось только 380 тысяч?
Потому что 2.2 миллиона — это все структурные кандидаты, которые сгенерировал ИИ. Но большинство из них нестабильны и распались бы мгновенно. 380 000 — это «золотой фонд», который термодинамически может существовать.
Как это влияет на обычную электронику?
Напрямую. Новые материалы для чипов позволяют обходить ограничения закона Мура, а новые катоды для батарей делают гаджеты и электрокары более автономными.