هوش مصنوعی مواد Google DeepMind تاکنون ۲٫۲ میلیون کریستال جدید کشف کرده است

محققان در گوگل دیپ مایند و آزمایشگاه ملی لارنس برکلی امروز در یک پیشرفت علمی خیره کننده اعلام کردند که یک روش جدید توسعه داده اند. سیستم هوش مصنوعی به نام GNoME که بیش از ۲ میلیون ماده جدید را کشف کرده است که می تواند برای توسعه فناوری هایی مانند باتری ها، پنل های خورشیدی و تراشه های کامپیوتری استفاده شود.

این تحقیق این هفته در دو مقاله در مجله علمی Nature منتشر شد. در یک مطالعه، محققان DeepMind چگونگی آنها را توضیح می دهند تکنیک های یادگیری عمیق را افزایش داد برای فعال کردن GNoME برای کشف ساختارهای مواد احتمالی با کارایی بی سابقه.

در ۱۷ روز، سیستم هوش مصنوعی توانست ۲٫۲ میلیون ساختار بلوری معدنی جدید بالقوه پایدار را شناسایی کند که بیش از ۷۰۰ مورد از آنها قبلاً به صورت تجربی تأیید شده اند. این نشان دهنده تقریباً ۱۰ برابر افزایش نسبت به بلورهای معدنی پایدار شناخته شده قبلی است.

مقاله دوم چگونگی را توضیح می دهد پیش‌بینی‌های GNoME با استفاده از سیستم‌های رباتیک مستقل آزمایش شدند در آزمایشگاه برکلی بیش از ۱۷ روز آزمایش خودکار مداوم، سیستم با موفقیت ۴۱ مورد از ۵۸ ترکیب پیش‌بینی‌شده را سنتز کرد که نرخ موفقیت فوق‌العاده بالای ۷۱ درصد بود.

پایگاه داده عمومی می تواند نوآوری را تسریع کند

داده های مادی تازه کشف شده از طریق در دسترس عموم قرار گرفته است پروژه مواد پایگاه داده محققان قادر خواهند بود ساختارها را برای شناسایی مواد با خواص مطلوب برای کاربردهای دنیای واقعی بررسی کنند.

به عنوان مثال، محققان ۵۲۰۰۰ ماده جدید بالقوه لایه‌ای دوبعدی مشابه گرافن، ۲۵ برابر بالقوه رسانای جامد لیتیوم-یون نسبت به مطالعات قبلی و ۱۵ ترکیب اکسید لیتیوم-منگنز بیشتر را شناسایی کردند که می‌توانند جایگزین اکسید لیتیوم-کبالت در باتری‌ها شوند.

آزمایشگاه خودمختار به میزان موفقیت بالایی دست می یابد

کلید قابلیت‌های گنوم استفاده از شبکه‌های عصبی نموداری پیچیده است که می‌توانند پایداری ساختارهای کریستالی پیشنهادی را در کسری از ثانیه به دقت پیش‌بینی کنند. این به آن اجازه می دهد تا به طور مؤثر تعداد زیادی از نامزدهای تولید شده توسط رایانه را تا امیدوارکننده ترین آنها فیلتر کند.

در حالی که تکنیک‌های یادگیری ماشین قبلی برای تخمین انرژی و پایداری مواد جدید بالقوه تلاش می‌کردند، تکنیک‌های محققان نشان می‌دهند که با داده‌ها و قدرت محاسباتی کافی، یادگیری عمیق می‌تواند بینش‌های شگفت‌انگیز جدیدی را ارائه دهد.

محققان می‌گویند: «نرخ موفقیت بالا، اثربخشی پلت‌فرم‌های مبتنی بر هوش مصنوعی را برای کشف مواد مستقل نشان می‌دهد و انگیزه یکپارچه‌سازی بیشتر محاسبات، دانش تاریخی و روباتیک را فراهم می‌کند». در مطالعه خود توضیح داده اند.

عصر جدیدی در علم مواد

این مطالعات پیامدهای فوق العاده ای برای آینده اکتشافات علمی و استفاده از هوش مصنوعی در تحقیقات علم مواد دارند. این نوع رویکرد مبتنی بر هوش مصنوعی می‌تواند ایجاد مواد جدید برای کاربردهای خاص را تسریع کند و به طور بالقوه منجر به نوآوری سریع‌تر و کاهش هزینه در توسعه محصول شود.

استفاده از هوش مصنوعی و یادگیری عمیق همچنین به آینده‌ای اشاره می‌کند که در آن آزمایش‌های آزمایشگاهی دستی و زمان‌بر را می‌توان به حداقل رساند یا حتی به طور کامل حذف کرد و دانشمندان را قادر می‌سازد تا بر طراحی و تجزیه و تحلیل ترکیبات منحصر به فرد تمرکز کنند.

تأثیر این پیشرفت‌ها بسیار زیاد است و فصل جدیدی را در علم مواد باز می‌کند که می‌تواند نوآوری را در زمینه‌های متعدد، از ایجاد سیستم‌های ذخیره انرژی کارآمدتر تا توسعه تجهیزات پزشکی پیشرفته، هدایت کند. با ورود اکتشافات مواد به این دوره جدید، ادغام هوش مصنوعی، یادگیری عمیق و تحقیقات علمی همچنان مرزهای ممکن را در پیش می‌گیرد.