Инструмент искусственного интеллекта GNoME от DeepMind позволил обнаружить 2,2 миллиона новых кристаллов, в том числе 380 тысяч стабильных материалов, которые могут стать основой технологий будущего. Так, среди них есть материалы, которые позволят создавать сверхпроводники, приводы суперкомпьютеров и батареи следующего поколения для электромобилей.
Graph Networks for Materials Exploration (GNoME) — это новый инструмент глубокого обучения, который значительно увеличивает скорость и эффективность открытий за счёт прогнозирования стабильности новых материалов.
Чтобы материал считался стабильным, он не должен разлагаться на аналогичные составы с меньшей энергией. Например, углерод в графеноподобной структуре стабилен по сравнению с углеродом в алмазах. В рамках работы с GNoME было обнаружено 2,2 млн кристаллов, которые стабильны по нынешним научным стандартам. Из них 380 тысяч считаются соответствующими новейшему стандарту.
Команда DeepMind отметила, что открытия с помощью ИИ эквивалентны почти 800 годам накопленных человечеством знаний.
Исследователи в лабораториях по всему миру независимо экспериментально создали 736 новых структур. В сотрудничестве с Google DeepMind группа исследователей из Национальной лаборатории Лоуренса Беркли опубликовала статью, в которой показано, как прогнозы ИИ использовали для автономного синтеза материалов.
Прогнозы GNoME доступны для исследовательского сообщества, их добавили в Materials Project — проект, который использует вычисления для поиска новых материалов.
Так, GNoME открыл 52 тысячи слоистых соединений, подобных графену, которые могут получить применение в электронике и разработке сверхпроводников. Ранее было идентифицировано около 1000 таких материалов.
ИИ также обнаружил 528 потенциальных литий-ионных проводников, что в 25 раз больше, чем в последнем исследовании. Эти проводники можно использовать для создания эффективных перезаряжаемых батарей.
Изначально GNoME обучался на данных о кристаллических структурах и их стабильности из Materials Project. Затем ИИ применили для создания новых кристаллов-кандидатов, а также для прогнозирования их стабильности. Чтобы оценить предсказательную силу модели в ходе последовательных циклов обучения, её неоднократно проверяли на производительность, используя признанные вычислительные методы, известные как теория функционала плотности (DFT).
Активное обучение значительно повысило производительность GNoME — уровень открытости прогнозов стабильности материалов вырос примерно с 50% до 80%. Исследователям удалось повысить эффективность модели, улучшив уровень обнаружения с менее чем 10% до более чем 80%.
Проект направлен на снижение стоимости открытия новых материалов. GNoME позволит сэкономить средства на тестировании новых материалов в лабораториях.
Ранее в DeepMind заявили, что программа прогнозирования погоды GraphCast на основе машинного обучения превзошла метеорологов. Она способна прогнозировать погодные переменные в течение 10 дней менее чем за одну минуту.
