DeepMind на Google открива над 2,2 милиона нови кристални структури
Изследователите на DeepMind са открили 2,2 милиона нови кристални структури. Те са потенциален напредък за области от възобновяема енергия до напреднали изчисления. Това показва силата на изкуствения интелект да открива нови материали.
Съкровището от теоретично стабилни, но експериментално нереализирани комбинации, идентифицирани с помощта на AI инструмент, известен като GNoME, е 45 пъти по-голям от броя на такива вещества, открити в историята на науката.
Изследователите планират да направят 381 000 от най-обещаващите структури. Те ще тестват тяхната жизнеспособност в полета от слънчеви клетки до свръхпроводници. Постижението подчертава, как овладяването на AI може да съкрати години на експериментална изработка и потенциално да достави подобрени продукти и процеси.
По-добри технологии с по-добри материали
Учените днес изработват нови кристали. Те ще ги добавят към 48 000, които са били идентифицирани преди това. Известните вещества варират от тези, познати от хилядолетия, като бронз и желязо, до много по-нови комбинации.
Екипът на DeepMind идентифицира новите материали, като използва машинно обучение. Така се генерират първо кандидат-структури. След това се преценява вероятната им стабилност. Броят на намерените вещества е еквивалентен на почти 800 години експериментално придобити знания. DeepMind изчислява статистиката въз основа на 28 000 стабилни материала, открити през последното десетилетие.
От микрочипове до батерии и фотоволтаици, откриването на неорганични кристали е затруднено от скъпи подходи на принципа проба-грешка.
Две потенциални приложения на новите съединения включват изобретяването на многостранни слоести материали и разработването на невроморфни изчисления. Последните използват чипове, за да отразяват работата на човешкия мозък.
В лабораторията
Изследователи от Калифорнийския университет в Бъркли и Националната лаборатория на Лорънс Бъркли вече са използвали откритията като част от експериментални усилия за създаване на нови материали. Екипът използва изчисления, исторически данни и машинно обучение, за да насочи автономна лаборатория, известна като A-lab. Там се създават 41 нови съединения от целевия списък. Успеваемостта от повече от 70%.
Високият коефициент на успех е изненадващ. Оказва се, че той може да бъде подобрен. Ключът към това е комбиниране на ИИ със съществуващи източници като голям набор от данни за минали реакции на синтез.
Иновативните техники ще позволят идентифицирането на нови материали със скорости, необходими за справяне с големите предизвикателства. Обширната база данни от неорганични кристали трябва да бъдат разкрити, за да се усъвършенстват решенията за чиста енергия и екологични предизвикателства.
Всички тези данни са допълнителен и вълнуващ напредък в стремежа да се получат материали със скорости, далеч надхвърлящи традиционните подходи за емпиричен синтез.
