В материаловедении произошёл сдвиг, который ещё несколько лет назад казался почти невозможным.
Система GNoME от Google DeepMind предсказала более 2,2 миллиона новых кристаллических структур. Из них свыше 380 тысяч модель сочла потенциально стабильными — то есть энергетически правдоподобными для существования в реальном мире.
Для сравнения: за десятилетия традиционной науки исследователи экспериментально изучили лишь десятки тысяч стабильных неорганических материалов.
Но самое важное здесь даже не масштаб.
Главная проблема в том, что лаборатории уже не успевают синтезировать и проверять кандидатов, которые генерирует ИИ.
Именно поэтому проект GNoME многие исследователи называют одним из первых примеров настоящего AI-ускорения науки.
Почему поиск новых материалов настолько медленный
Практически каждая технологическая эпоха начиналась с нового материала.
Бронза.
Сталь.
Кремний.
Литий-ионные аккумуляторы.
Полупроводники.
Композиты для авиации.
Современная цивилизация буквально построена на свойствах веществ.
Проблема в том, что создание новых материалов всегда было невероятно медленным процессом.
Классическая схема выглядит так:
- учёные предлагают гипотезу;
- рассчитывают структуру;
- пытаются синтезировать соединение;
- измеряют свойства;
- повторяют цикл снова.
Иногда путь от идеи до рабочего материала занимает 10–20 лет.
Главная причина — гигантское пространство возможных комбинаций атомов.
Даже небольшое изменение:
- положения атома;
- симметрии кристалла;
- температуры;
- давления;
- химического состава
может полностью изменить свойства вещества.
Большинство вариантов оказываются бесполезными:
- нестабильными;
- слишком дорогими;
- невозможными для синтеза;
- неработоспособными вне лаборатории.
Поэтому материаловедение долгое время напоминало поиск иголки в астрономически огромном пространстве вариантов.
Количество потенциальных кристаллических структур многократно превышает число материалов, реально изученных человеком.
Как GNoME создаёт новые материалы
GNoME расшифровывается как Graph Networks for Materials Exploration.
В основе системы лежат graph neural networks — графовые нейросети, хорошо работающие со сложными структурами и связями.
Для модели кристалл — это граф:
- атомы выступают узлами;
- связи между ними — рёбрами;
- вся структура вещества превращается в математическую сеть.
Такой подход оказался особенно эффективным для материаловедения, где свойства вещества определяются не только составом, но и геометрией расположения атомов.
DeepMind обучала GNoME на огромных массивах данных:
- известных кристаллических структурах;
- расчётах Density Functional Theory;
- formation energy;
- thermodynamic stability;
- экспериментальных свойствах материалов.
После обучения модель начала генерировать новые варианты структур и оценивать вероятность их устойчивости.
Ключевой параметр здесь — thermodynamic stability.
Упрощённо говоря, система пытается определить:
- сможет ли материал существовать;
- не распадётся ли структура;
- является ли конфигурация энергетически выгодной.
Но это важный нюанс: «стабильный» в контексте GNoME не означает автоматически «готовый для промышленности».
Материал может:
- существовать только при высоком давлении;
- требовать экстремальных температур;
- быть слишком дорогим;
- оказаться трудным для массового производства.
Именно поэтому GNoME нельзя воспринимать как машину мгновенных технологических революций.
Это система резкого ускорения раннего этапа scientific discovery.
Что именно обнаружил DeepMind
После публикации Nature многие СМИ написали, будто ИИ «изобрёл сотни тысяч материалов».
Научно это не совсем корректно.
GNoME предсказал структуры-кандидаты с высокой вероятностью стабильности. Большинство из них ещё предстоит проверить экспериментально.
Но масштаб всё равно оказался беспрецедентным.
DeepMind сообщила:
- около 2,2 млн сгенерированных структур;
- более 380 тысяч потенциально стабильных материалов;
- резкое расширение известного пространства inorganic crystals.
Особенно интересными оказались материалы для:
- аккумуляторов нового поколения;
- сверхпроводников;
- солнечной энергетики;
- магнитных систем;
- квантовых вычислений;
- электроники.
Некоторые структуры никогда раньше даже не рассматривались химиками вручную.
Именно это стало одним из самых неожиданных результатов проекта.
ИИ начал исследовать области chemical space, куда человек почти не заходил из-за сложности перебора.
Почему вокруг GNoME возникли споры
Несмотря на масштаб открытия, реакция научного сообщества оказалась смешанной.
Часть исследователей назвала GNoME одним из самых важных AI-проектов последних лет. Другие призвали осторожнее относиться к hype вокруг «революции материалов».
Главный аргумент критиков прост:
prediction ≠ application.
Даже если материал:
- энергетически стабилен;
- математически правдоподобен;
- потенциально синтезируем,
это ещё не означает, что он окажется полезным.
Многие структуры могут:
- иметь плохие свойства;
- оказаться токсичными;
- быть слишком редкими;
- не выдерживать реальных условий эксплуатации.
Кроме того, некоторые химики отмечают:
- часть структур похожа друг на друга;
- ИИ может наследовать bias обучающих данных;
- модель не заменяет фундаментальную химию. Но даже критики признают главное: GNoME радикально ускорил поиск кандидатов.
Раньше лаборатория могла проверить сотни вариантов.
Теперь ИИ способен генерировать миллионы.
И именно здесь начинается настоящий перелом.
Настоящий прорыв GNoME — не сами материалы
Самое важное в этой истории — даже не кристаллы.
А то, что наука постепенно начинает переходить к semi-autonomous discovery pipeline.
Раньше главным bottleneck был поиск кандидатов.
Теперь bottleneck — скорость экспериментальной проверки.
Особенно хорошо это видно на примере Berkeley Lab A-Lab.
Это роботизированная лаборатория, способная:
- автоматически синтезировать материалы;
- проводить измерения;
- проверять результаты;
- запускать новые циклы экспериментов.
После появления GNoME исследователи фактически начали строить цепочку:
ИИ генерирует материалы → роботизированная лаборатория проверяет их → данные возвращаются модели.
Именно этот цикл многие считают будущим научных исследований.
Парадокс: впервые в истории science bottleneck смещается от поиска идей к скорости физической верификации находок ИИ.
Как GNoME может изменить аккумуляторы и электронику
Наибольший интерес сегодня вызывает энергетика.
Современные аккумуляторы ограничены:
- плотностью энергии;
- деградацией;
- перегревом;
- стоимостью редких элементов;
- скоростью зарядки.
Даже небольшое улучшение материалов может изменить:
- рынок электромобилей;
- storage systems;
- мобильную электронику;
- AI-дата-центры.
Кроме того, GNoME потенциально ускоряет поиск:
- сверхпроводников;
- термоэлектрических материалов;
- катализаторов;
- semiconductor materials;
- quantum materials.
Некоторые исследователи считают, что AI-driven materials discovery способен сократить ранний цикл разработки материалов с десятилетий до нескольких лет.
Но важно понимать: между AI-prediction и массовым производством всё ещё огромная дистанция.
После нахождения кандидата необходимо:
- провести синтез;
- подтвердить структуру;
- проверить свойства;
- оценить масштабируемость;
- понять экономику производства.
Именно поэтому GNoME пока не «создал новые батареи».
Он радикально ускорил поиск перспективных направлений.
Почему это может изменить всю науку
История GNoME — это часть более крупного процесса.
ИИ начинает работать не только с текстами и изображениями, но и с фундаментальным scientific discovery.
За последние годы AI-системы уже:
- предсказывают структуры белков;
- помогают искать лекарства;
- оптимизируют алгоритмы;
- моделируют материалы;
- ускоряют вычислительную химию.
Во всех случаях происходит одно и то же:
машина исследует пространства вариантов, слишком огромные для человеческого перебора.
Именно поэтому многие исследователи сравнивают GNoME с AlphaFold.
Оба проекта меняют саму модель научной работы:
- меньше слепого перебора;
- больше AI-guided search;
- быстрее переход от гипотез к экспериментам.
Пока это только начало.
Но если подобные системы продолжат развиваться, science может перейти к новой модели:
ИИ предлагает кандидатов, а человек и роботизированные лаборатории занимаются проверкой и инженерной адаптацией.
Коротко о главном
Термины
Graph neural network — нейросеть, работающая со структурами в виде графов.
Thermodynamic stability — энергетическая устойчивость материала.
Density Functional Theory — вычислительный метод моделирования материалов.
Materials discovery — поиск новых веществ с нужными свойствами.
📚 Плейлист
📚 Книга: «Stuff Matters» — как материалы меняли цивилизацию
📚 YouTube: Veritasium — physics и materials science простым языком
📚 Канал: Two Minute Papers — AI-исследования и scientific discovery
📚 Документальный цикл: «The Age of AI» — влияние ИИ на науку
📚 Книга: «Materials Science and Engineering» — основы современного материаловедения