Использование искусственного интеллекта для создания новых технологий и материалов сейчас очень популярно. Если вам нужен текст, компьютерный код или изображения, существует бесчисленное множество моделей генеративного ИИ, которые могут вам помочь. Британская компания Google DeepMind присоединилась к тренду и объявила, что разработала модель искусственного интеллекта для создания чего-то уникального: кристаллических материалов. Новая ИИ-модель Graph Networks for Materials Exploration (GNoME) успешно сгенерировала 2,2 миллиона новых кристаллических материалов, и команда считает, что 380 000 из них достаточно стабильны, чтобы быть полезными в передовых технологиях.
Почти все гаджеты и приборы, которыми мы пользуемся ежедневно, работают на кристаллических элементах - батареи, солнечные батареи, процессоры и другие технологии не могли бы существовать без неорганических кристаллов. Известно, что открытие новых кристаллических структур в лабораторных условиях - это кропотливый процесс проб и ошибок. GNoME далеко не первая попытка автоматизировать этот процесс, но DeepMind утверждает, что он гораздо быстрее и точнее предыдущих.
GNoME - это так называемая модель графовой нейронной сети (GNN). Входные данные по сути представляют собой график, в данном случае описывающий связи между атомами. Все это делает GNN идеальным средством для генерации и оценки новых кристаллических структур. В GNoME есть два вычислительных конвейера: первая - вычислительная модель, которая случайным образом собирает возможные кристаллы на основе химических формул, и вторая - структурная модель, которая создает новые кристаллы на основе известных структур.
Во время этого исследования DeepMind сотрудничала с проектом "Materials". Совместными усилиями ученые из разных учреждений, правительственные лаборатории и суперкомпьютеры предоставили все необходимые данные искусственному интеллекту на безвозмездной основе. Google сначала использовал эти данные для обучения GNoME, а затем отправлял уже проверенные результаты обратно в модель.
Графовые сетевые конвейеры модели GNoME. Источник: Google DeepMind
Когда GNoME генерирует новые структуры, они оцениваются с помощью теории функционала плотности (DFT) — вычислительного метода, измеряющего структурную стабильность. Так проект прошел путь от 2,2 миллиона новых структур до сосредоточения к 380 000 лучших вариантов. Эти данные также были возвращены в модель, что повысило ее прогнозирующую способность. В результате GNoME заметно улучшил свои показатели по сравнению с предыдущими вычислительными методами поиска новых структур. Уровень стабильности материала был увеличен с 50 до 80%, а скорость открытия - с 10 до более 80%.
Позволив ИИ сгенерировать миллионы кристаллов, команда обратилась к научной литературе, чтобы выяснить, были ли какие-либо из предложенных структур получены в лаборатории. Они обнаружили, что 736 структур были синтезированы независимо друг от друга, что свидетельствует о точности прогноза и стабильности модели. 380 000 стабильных структур были переданы в проект «Materials», чтобы другие команды могли их загрузить и протестировать. На данный момент неизвестно, на что способны эти кристаллы, если вообще способны. Один из них может оказаться сверхпроводником или сверхэффективным литиевым анодом. Чтобы узнать это, кому-то придется их изготовить.
