uredi› krajšaj› T:175 M:403 Z: [×]

Google Deepmind gnome

Z novim umetnointeligenčnim orodjem Deepminda so ustvarili več kot sedemsto novih materialov

June Kim, MIT Technology Review

Novi materiali bi lahko spodbudili prelomne tehnološke dosežke, od baterij za električna vozila do sončnih celic in mikročipov. A preden jih odkrijejo, minejo meseci ali celo leta raziskav s poskusi in z napakami.

V Googlovem laboratoriju Deepmind upajo, da se bo to spremenilo z novim orodjem, ki na podlagi globokega učenja dramatično pospeši odkrivanje novih materialov. S tehnologijo gnome (kratica angleškega poimenovanja graphical networks for material exploration oziroma grafične mreže za proučevanje materialov) so napovedali sestavo 2,2 milijona novih snovi, od katerih so jih nato več kot sedemsto sestavili v laboratorijih in jih zdaj preizkušajo. Vse to je opisano v razpravi, objavljeni v Nature Today.

Laboratorij Lawrence Berkeley National je hkrati s tehnologijo gnome napovedal tudi ustanovitev novega avtonomnega laboratorija. S podatki iz podatkovne zbirke o materialih, ki vključuje tudi nekaj odkritij s tehnologijo gnome, razvija nove materiale ob pomoči strojnega učenja in z robotskimi rokami, in to brez človeške pomoči. V Deepmindu pravijo, da oba dosežka ponazarjata možnosti uporabe umetne inteligence za hitrejše odkrivanje in razvoj novih materialov.

Tehnologijo gnome bi lahko opisali kot alphafold za nove materiale, pravi Ju Li, predavatelj o materialih in inženiringu na massachusetskem tehnološkem inštitutu. Alphafold, umetnointeligenčni sistem Deepminda, ki so ga predstavili 2020, zelo natančno napoveduje sestavo beljakovin in je pospešil biološke raziskave ter odkrivanje novih zdravil. Zaradi tehnologije gnome se je število znanih stabilnih materialov povečalo za skoraj desetkrat, na 421.000.

»Materiali igrajo ključno vlogo v skoraj vseh tehnologijah, pa človeštvo pozna le nekaj deset tisoč stabilnih,« je komentiral Dogus Cubuk, ki v Deepmindu vodi oddelek za odkrivanje materialov.

Ko znanstveniki iščejo nove materiale, kombinirajo elemente iz celotnega periodnega sistema. A ker je toliko mogočih kombinacij, je zelo neučinkovito, če to počnejo na slepo, zato raziskovalci obstoječe strukture raje nadgrajujejo z majhnimi spremembami in upajo, da bodo odkrili novo obetavno kombinacijo. A tudi ta natančni postopek je zelo zamuden, poleg tega so možnosti za nepričakovana odkritja omejene, ker temelji na znanih strukturah.

V Deepmindu te omejitve premagujejo s povezovanjem dveh različnih modelov globokega učenja. Prvi izdela več kot milijardo struktur tako, da spreminja elemente v obstoječih materialih, drugi pa se ne opira na znane strukture, temveč stabilnost novih materialov napoveduje zgolj na podlagi kemijskih formul. Kombinacija obeh modelov omogoča veliko več možnosti.

Primerne kandidatke gredo nato skozi sito modelov gnome, ki napovedujejo dekompozicijsko energijo določene strukture, kar je pomembno merilo za ocenjevanje stabilnosti materiala. Stabilni materiali ne razpadejo hitro, kar je pomembno v inženirstvu. Gnome izbira najobetavnejše kandidate, ki jih nato dodatno ocenijo na podlagi znanih teoretičnih okvirov.

Postopek večkrat ponovijo in vsako novo ugotovitev vključijo v naslednji krog učenja.

V prvem krogu so bile napovedi tehnologije gnome o stabilnosti različnih materialov točne le v približno petih odstotkih primerov, a je ta delež hitro naraščal z nadaljevanjem učenja. Končni rezultati so pokazali, da je bila natančnost tehnologije 80 odstotkov za prvi model in 33 odstotkov za drugega.

Iskanje novih materialov z modeli umetne inteligence sicer ni nič novega. Program Materials Project, ki pod vodstvom Kristin Persson poteka na kalifornijski univerzi Berkeley, s podobno tehnologijo odkriva in izboljšuje stabilnost 48.000 materialov.

Tehnologija gnome se od starejših poskusov razlikuje tako po velikosti kot natančnosti. Učili so jo na nekajkrat več podatkih kot vse prejšnje modele, je izpostavil Chris Bartel, asistent kemijskega inženiringa in znanosti o materialih na univerzi v Minnesoti.

Podobni preračuni so bili nekoč dragi pa še njihov obseg je bil omejen, je poudaril Yifei Mo, izredni profesor znanosti o materialih in inženiringu na univerzi v Marylandu. Gnome omogoča natančnejše preračune z manj računske moči in ima lahko osupljivo velik učinek.

Ko odkrijejo nove materiale, je pomembno tudi, da jih izdelajo in dokažejo njihovo uporabnost. Novi samostojni laboratorij na Berkeleyju, A-Lab, je z nekaterimi odkritji, ki jih je prinesla tehnologija gnome, in s podatki iz projekta Materials Project združil robotiko in strojno učenje, da je optimiziral razvoj takšnih materialov.

V laboratoriju se lahko samostojno odločajo, kako izdelati predlagani material, in pripravijo do pet začetnih snovi. Nastanejo ob pomoči modela strojnega učenja, ki ga učijo z obstoječo znanstveno literaturo, po vsakem poskusu pa laboratorij z dobljenimi rezultati dopolni recepturo.

Raziskovalci v laboratoriju na univerzi Berkeley pravijo, da je A-Labu uspelo opraviti 355 poskusov v 17 dnevih in uspešno sestaviti 41 spojin od 58 predlaganih. To pomeni dve primerni spojini na dan.

V povprečnem človeškem laboratoriju izdelava novega materiala traja veliko dlje. »In če imate smolo, traja mesece ali celo leta,« je na tiskovni konferenci dodala Perssonova. Večina študentov obupa po nekaj tednih: »A A-Lab se ne boji neuspeha, temveč nadaljuje poskuse.«

Raziskovalci v Deepmindu in laboratoriju na univerzi Berkeley pravijo, da nova umetnointeligenčna orodja lahko pomagajo pospešiti nadgradnjo opreme v energetskem in računalniškem sektorju in številnih drugih.

»Inovacije opreme, sploh za čisto energijo, so nujne, če želimo rešiti podnebno krizo,« je razložila Perssonova. »To je eden od razlogov za pospešitev inovacij.«

Bartel, ki ni sodeloval pri raziskavi, pravi, da so ti materiali obetavni kandidati za tehnologije, ki se uporabljajo za baterije, računalniške čipe, elektronsko keramiko in elektroniko.

Prevodniki za litij-ionske baterije sodijo med najzanimivejše možnosti uporabe, saj igrajo pomembno vlogo v baterijah, ker omogočajo električni tok med različnimi komponentami. V Deepmindu pravijo, da je tehnologija gnome prinesla 528 obetavnih litij-ionskih prevodnikov, zaradi katerih bi mogoče lahko izboljšali učinkovitost baterij. Seveda pa so odkrili še marsikaj drugega.

A celo ko najdejo nove materiale, običajno minejo desetletja, da jih industrija razvije do komercialne stopnje. »Če bi to dobo skrajšali na pet let, bi to prineslo pomembno izboljšavo,« je povedal Cubuk.

Copyright Technology Review, distribucija Tribune Content Agency.