Google DeepMind представляет GNoME новый инструмент глубокого обучения, который драматически увеличивает скорость и эффективность открытий, предсказывая стабильность новых материалов.

Google DeepMind представляет GNoME новое инновационное средство глубокого обучения, ускоряющее и повышающее эффективность научных открытий через предсказание стабильности новых материалов.

Неорганические кристаллы являются неотъемлемой частью многих современных технологий, включая компьютерные чипы, аккумуляторы и солнечные панели. Каждый новый стабильный кристалл получается в результате многомесячного тщательного экспериментирования, а стабильные кристаллы важны для разработки новых технологий, так как они не растворяются.

Исследователи проводили дорогостоящие эксперименты методом проб и ошибок, которые приводили только к ограниченным результатам. Они искали новые кристаллические структуры, модифицируя существующие кристаллы или пытаясь использовать другие комбинации элементов. Благодаря вычислительным методам, осуществляемым проектом “Материалы” и другими, в течение последних десяти лет было обнаружено 28 000 новых материалов. Однако способность новых методов, основанных на искусственном интеллекте, надежно прогнозировать экспериментально пригодные материалы, до сих пор была основным ограничением.

Исследователи национальной лаборатории Лоуренса Беркли и Google DeepMind опубликовали две статьи в журнале Nature, демонстрирующие потенциал наших прогнозов на основе искусственного интеллекта для автономного синтеза материалов. В ходе исследования было обнаружено еще 2,2 миллиона кристаллов, что составляет примерно 800 лет информации. Их новый инструмент глубокого обучения, Graph Networks for Materials Exploration (GNoME), прогнозирует стабильность новых материалов, значительно улучшая скорость и эффективность открытия. GNoME демонстрирует потенциал искусственного интеллекта в масштабном открытии и разработке новых материалов. В разных лабораториях по всему миру было создано 736 таких новых структур.

• Встречайте PGXMAN менеджер расширений PostgreSQL
• Раскрытие силы цепочно-мыслительного рассуждения в языковых моделях полный обзор когнитивных способностей, интерпретируемости и автономных языковых агентов
• Можем ли мы создавать карты крупномасштабных сцен в режиме реального времени без использования ускорения с помощью GPU? Эта научная статья ознакамливает с «ImMesh» – передовым методом локализации и создания мешей на основе данных LiDAR.

Благодаря GNoME количество технически осуществимых материалов увеличилось вдвое. Среди его 2,2 миллиона прогнозов 380 000 являются наиболее перспективными для экспериментального синтеза благодаря их стабильности. Среди них находятся материалы, способные создавать следующее поколение батарей, повышающих эффективность электромобилей, а также сверхпроводники, приводящие в действие суперкомпьютеры.

Модель GNoME является современной моделью GNN. Поскольку данные для входа в GNN представлены в виде графа, аналогичного атомным связям, GNN отлично подходит для поиска новых кристаллических материалов.

Исходные данные о структурах кристаллов и их стабильности, которые изначально использовались для обучения GNoME, общедоступны через проект “Материалы”. Использование “активного обучения” в качестве метода обучения значительно повысило эффективность GNoME. Исследователи генерировали новые кандидаты на кристаллы и предсказывали их стабильность с помощью GNoME. Они использовали теорию функционала плотности (DFT), устоявшийся вычислительный метод в физике, химии и материаловедении для понимания атомных структур, что является важным для оценки стабильности кристаллов. Они многократно проверяли работу своей модели при помощи DFT на различных этапах обучения, чтобы оценить ее предсказательную способность. Качество обучающих данных также было улучшено в процессе обучения модели.

Результаты показывают, что исследование увеличило скорость обнаружения стабильности материалов с примерно 50% до 80%, используя внешний набор данных, установленный ранее моделями последнего состояния искусственного интеллекта в качестве ориентира. Улучшение эффективности этой модели позволило повысить скорость обнаружения с менее чем 10% до более чем 80%; эти улучшения эффективности могут иметь существенное значение для необходимой вычислительной мощности при каждом открытии.

Автономная лаборатория произвела более сорока одного нового материала, используя ингредиенты из проекта “Материалы” и информацию о стабильности от GNoME, открывая путь к новым прорывам в синтезе материалов с применением искусственного интеллекта.

Прогнозы GNoME были представлены научному сообществу. Исследователи предоставят проекту “Материалы”, который анализирует соединения и добавляет их в свою онлайн-базу данных, 380 000 материалов. С помощью этих ресурсов они надеются, что сообщество будет исследовать неорганические кристаллы более подробно и осознает потенциал технологий машинного обучения в качестве экспериментальных руководств.