Google DeepMind introduce GNoME un nuovo strumento di apprendimento profondo che aumenta drasticamente la velocità e l’efficienza della scoperta prevedendo la stabilità di nuovi materiali.

Google DeepMind introduce GNoME uno strumento di apprendimento profondo che incrementa la velocità e l'efficienza nella scoperta di nuovi materiali, prevedendone la stabilità in modo drastico.

I cristalli inorganici sono essenziali per molte tecnologie contemporanee, tra cui chip informatici, batterie e pannelli solari. Ogni nuovo cristallo stabile è il risultato di mesi di meticolose sperimentazioni, ed è fondamentale avere cristalli stabili per rendere possibili nuove tecnologie in quanto non si dissolvono.

I ricercatori hanno condotto costose sperimentazioni basate sul tentativi ed errori che hanno prodotto solo risultati limitati. Hanno cercato nuove strutture cristalline modificando cristalli esistenti o provando altre combinazioni di elementi. Grazie ai metodi computazionali sviluppati da Materials Project e altri, sono stati scoperti 28.000 materiali nuovi negli ultimi dieci anni. Fino ad ora, la capacità di queste tecniche guidate dall’intelligenza artificiale di prevedere con affidabilità materiali che possono essere sperimentalmente validi è stata una grande limitazione.

I ricercatori del Lawrence Berkeley National Laboratory e di Google DeepMind hanno pubblicato due articoli su Nature che dimostrano il potenziale delle previsioni dell’intelligenza artificiale per la sintesi autonoma di materiali. Lo studio mostra la scoperta di 2,2 milioni di cristalli in più, pari a circa 800 anni di informazioni. La loro nuova tecnologia di apprendimento profondo, Graph Networks for Materials Exploration (GNoME), prevede la stabilità di materiali nuovi, migliorando notevolmente la velocità ed efficienza della scoperta. GNoME rappresenta la promessa dell’intelligenza artificiale nella scoperta e sviluppo su larga scala di materiali nuovi. Simultaneamente, i ricercatori di diversi laboratori in tutto il mondo hanno prodotto 736 di queste nuove strutture.

• Top 15 Basi di Dati Vettoriali per la Scienza dei Dati nel 2024 Una Guida Completa
• Incontra RAGs un’app di Streamlit che ti consente di creare una pipeline RAG da una fonte di dati utilizzando il linguaggio naturale
• Trova PGXMAN Il manager delle estensioni di PostgreSQL

Il numero di materiali tecnicamente fattibili è stato raddoppiato grazie a GNoME. Tra le sue 2,2 milioni di previsioni, 380.000 mostrano la maggiore promessa per la sintesi sperimentale grazie alla loro stabilità. Tra questi contendenti ci sono materiali con la capacità di creare batterie di prossima generazione che migliorano l’efficienza dei veicoli elettrici e superconduttori che alimentano supercomputer.

GNoME è un modello di GNN all’avanguardia. Poiché i dati di input di GNN sono rappresentati da un grafo analogo alle connessioni atomiche, i GNN sono adatti a trovare materiali cristallini nuovi.

I dati sulle strutture cristalline e sulla loro stabilità, utilizzati inizialmente per l’addestramento di GNoME, sono pubblicamente disponibili attraverso Materials Project. L’uso del “apprendimento attivo” come metodo di addestramento ha migliorato significativamente l’efficienza di GNoME. I ricercatori hanno generato nuovi candidati di cristalli e previsto la loro stabilità utilizzando GNoME. Hanno utilizzato la teoria del funzionale densità (DFT), un metodo computazionale ampiamente utilizzato in fisica, chimica e scienza dei materiali per la comprensione delle strutture atomiche – cruciale per valutare la stabilità dei cristalli – per verificare ripetutamente le prestazioni del loro modello durante cicli di addestramento progressivo ed valutarne la potenza predittiva. L’addestramento del modello è tornato nel processo utilizzando dati di addestramento di alta qualità.

I risultati mostrano che la ricerca ha incrementato la velocità di scoperta delle previsioni di stabilità dei materiali dal circa 50% all’80%, utilizzando un set di benchmark esterno stabilito da modelli all’avanguardia come guida. Miglioramenti nell’efficienza di questo modello hanno permesso di aumentare la velocità di scoperta da meno del 10% all’80%; questi miglioramenti di efficienza possono avere un impatto significativo sulla potenza di calcolo necessaria per ogni scoperta.

Il laboratorio autonomo ha prodotto oltre quarantuno materiali nuovi utilizzando ingredienti provenienti da Materials Project e informazioni sulla stabilità da GNoME, aprendo la strada a ulteriori progressi nella sintesi di materiali basata sull’intelligenza artificiale.

Le previsioni di GNoME sono state rese disponibili alla comunità scientifica. I ricercatori forniranno a Materials Project, che analizza i composti e li aggiunge al proprio database online, 380.000 materiali. Con l’aiuto di queste risorse, sperano che la comunità cercherà di studiare ulteriormente i cristalli inorganici e realizzerà il potenziale delle tecnologie di apprendimento automatico come linee guida sperimentali.