AI širi svoje horizonte u nauci o materijalima. Istraživački tim Google DeepMind-a je nedavno kreirao GNoME (Graph Networks for Materials Exploration), AI koji je uspešno otkrilo 2,2 miliona novih hemijskih kompozicija neorganskih kristala koje bi mogle biti sintetisane. Međutim, procjenjuje se da će samo 380.000 njih biti termodinamički stabilno.
Ova otkrića, za koja naučnici tvrde da su tek početak, ekvivalent su 800 godina tradicionalnog istraživanja i mogla bi se koristiti za stvaranje novih tehnologija, od unapređenih baterija do superprovodnika. Pokazuje se da istraživači uz pomoć vještačke inteligencije napreduju znatno brže nego ikad, što može dovesti do nove revolucije u delovima industrije koji zavise od ovih materijala.
Kako Googleov AI ubrzava proces koji je ranije trajao godinama
Tradicionalno pronalaženje novih materijala je oduvek bio dugotrajan i često iscrpljujući proces. Istraživači bi počinjali sa poznatim kristalnim strukturama i eksperimentisali sa njima, koristeći metodu pokušaja i grešaka, što je moglo trajati mjesecima, pa čak i godinama.
GoogleNeorganski materijali zavise od krutih atomskih struktura, koje su osnova današnjih naprednih tehnologija, poput solarnih panela, čipova i baterija. Međutim, sinteza novih materijala u laboratoriji je mukotrpan proces koji obično traje satima, ponekad i danima, a nije sigurno da će ispravna formula biti otkrivena.
Ova ograničenja postaju još intenzivnija kada se traže materijali sa većom stabilnošću i boljim performansama. Prema podacima iz “Materials Project”, kolaborativne baze podataka u Lawrence Berkeley Nacionalnoj laboratoriji, eksperimenti koje su vodili ljudi doveli su do otkrića skoro 20.000 neorganskih kristala.
Tehnologija iza GNoME-a i kako zauvijek menja otkrivanje materijala
Teorija GNoME-a (Graph Networks for Materials Exploration) tu dolazi do izražaja. Sistem DeepMind-a je dizajniran da predviđa strukture prethodno nepoznatih neorganskih kristala nevjerovatnom brzinom i sa visokim nivoom tačnosti. GNoME koristi dva kanala: strukturni i kompozicioni. Strukturni kanal se zasniva na stvarnim kristalnim strukturama i optimizuje ih kako bi predvidio nove materijale, dok je kompozicioni kanal zasnovan na nasumičnim raspodjelama atoma unutar kompozicija.
GoogleZatim, GNoME procjenjuje stabilnost ovih potencijalnih materijala pomoću teorije funkcionalne gustine, standardnog računarskog alata koji se koristi u hemiji i fizici. Bilo da je rezultat pozitivan ili negativan, AI koristi rezultate svojih predikcija i integriše ih u buduće verzije kao oblik učenja. Ovaj proces ponavlja formiranje hipoteza i eksperimentisanje, ali znatno brže nego što bi to mogao bilo koji čovjek.
Potpuno automatizovane laboratorije postaju stvarnost uz tehnologiju vođenu AI-jem i robotikom
GNoME pronalasci su korisni, ali većina materijala tek treba da bude sintetisana i eksperimentalno ispitana. Kako bi riješili ovaj problem, istraživači u Lawrence Berkeley Nacionalnoj laboratoriji usvojili su autonomnu robotiku. Njihov A-Lab, potpuno automatizovan laboratorijski sistem, može obavljati svaki eksperiment nezavisno od ljudskog operatera. Može autonomno postavljati elemente, proizvoditi uzorke i ocenjivati rezultate, vođen AI algoritmom za dalji razvoj novih materijala. Ovaj sistem radi mnogo brže od istraživača.
Nakon 17 dana, A-Lab je postigao 71% uspjeha u sintezi 41 od 58 materijala koje je GNoME predvidio. Ovaj uspjeh naglašava koliko su sinergijske AI predikcije i robotika otišli daleko u nauci o materijalima. Dinamika uspjeha A-Lab-a takođe sugeriše mogućnost stvaranja potpuno automatizovanih laboratorija koje bi mogle raditi sa inteligentnim modelima poput GNoME-a kako bi proizvodili nove materijale brže, verifikovali svoje predikcije i čak prilagođavali mehanizme u skladu sa rezultatima,
Izvor: Benchmark.rs