Ny teknik kräver ofta nya material – och med superdatorer och simuleringar behöver forskare inte gå igenom ineffektiva gissningar för att uppfinna dem från grunden.
Materials Project, en öppen databas som grundades vid Department of Energys Lawrence Berkeley National Laboratory (Berkeley Lab) 2011, beräknar egenskaperna hos både kända och förutspådda material. Forskare kan fokusera på lovande material för framtida teknologier – tänk lättare legeringar som förbättrar bränsleekonomin i bilar, effektivare solceller för att öka förnybar energi eller snabbare transistorer för nästa generations datorer.
Nu bidrar Google DeepMind – Googles lab för artificiell intelligens – med nästan 400 000 nya föreningar till Materials Project, vilket utökar mängden information som forskare kan dra nytta av. Datauppsättningen inkluderar hur atomerna i ett material är ordnade (kristallstrukturen) och hur stabil den är (bildningsenergi).
"Vi måste skapa nya material om vi ska ta oss an de globala miljö- och klimatutmaningarna", säger Kristin Persson, grundare och chef för Materials Project vid Berkeley Lab och professor vid UC Berkeley. "Med innovation inom material kan vi potentiellt utveckla återvinningsbar plast, utnyttja avfallsenergi, göra bättre batterier och bygga billigare solpaneler som håller längre, bland mycket annat."
För att generera den nya informationen utvecklade Google DeepMind ett verktyg för djupinlärning som heter Graph Networks for Materials Exploration, eller GNoME. Forskare tränade GNoME med hjälp av arbetsflöden och data som utvecklats under ett decennium av Materials Project, och förbättrade GNoME-algoritmen genom aktivt lärande.
GNoME-forskare producerade slutligen 2,2 miljoner kristallstrukturer, inklusive 380 000 som de lägger till i materialprojektet och förutsäger är stabila, vilket gör dem potentiellt användbara i framtida teknologier. De nya resultaten från Google DeepMind publiceras i tidskriften Nature .
Några av beräkningarna från GNoME användes tillsammans med data från Materials Project för att testa A-Lab, en anläggning vid Berkeley Lab där artificiell intelligens vägleder robotar i att tillverka nya material. A-Labs första uppsats, även publicerad i Nature , visade att det autonoma labbet snabbt kan upptäcka nya material med minimal mänsklig insats.
Under 17 dagars oberoende drift producerade A-Lab framgångsrikt 41 nya föreningar av 58 försök – en hastighet av mer än två nya material per dag. Som jämförelse kan det ta en mänsklig forskare månader av gissningar och experiment att skapa ett nytt material, om de någonsin når det önskade materialet alls.
För att göra de nya föreningarna som förutspåtts av Materials Project, skapade A-Labs AI nya recept genom att gå igenom vetenskapliga artiklar och använda aktivt lärande för att göra justeringar. Data från Materials Project och GNoME användes för att utvärdera materialens förutsedda stabilitet.
"Vi hade den här häpnadsväckande framgångsfrekvensen på 71 %, och vi har redan några sätt att förbättra den", säger Gerd Ceder, chefsutredare för A-Lab och en forskare vid Berkeley Lab och UC Berkeley. "Vi har visat att kombinationen av teori- och datasidan med automatisering ger otroliga resultat. Vi kan tillverka och testa material snabbare än någonsin tidigare, och att lägga till fler datapunkter i Materials Project innebär att vi kan göra ännu smartare val."
Materialprojektet är det mest använda öppna arkivet för information om oorganiska material i världen. Databasen innehåller miljontals egenskaper på hundratusentals strukturer och molekyler, information som primärt bearbetas vid Berkeley Labs National Energy Research Science Computing Center.
Mer än 400 000 personer är registrerade som användare av sajten och i genomsnitt publiceras mer än fyra artiklar som citerar Materials Project varje dag. Bidraget från Google DeepMind är det största tillägget av strukturstabilitetsdata från en grupp sedan Materialprojektet startade.
"Vi hoppas att GNoME-projektet kommer att driva forskningen på oorganiska kristaller framåt", säger Ekin Dogus Cubuk, ledare för Google DeepMinds Material Discovery-team. "Externa forskare har redan verifierat mer än 736 av GNoMEs nya material genom samtidiga, oberoende fysiska experiment, vilket visar att vår modells upptäckter kan realiseras i laboratorier."
Materialprojektet bearbetar nu föreningarna från Google DeepMind och lägger till dem i onlinedatabasen. Den nya informationen kommer att vara fritt tillgänglig för forskare och även matas in i projekt som A-Lab som samarbetar med Materials Project.
"Jag är verkligen glad över att människor använder det arbete vi har gjort för att producera en oöverträffad mängd materialinformation", säger Persson, som också är chef för Berkeley Labs Molecular Foundry.
"Det här är vad jag tänkte göra med Materials Project:Att inte bara göra data som jag producerade gratis och tillgänglig för att påskynda materialdesign för världen, utan också att lära världen vad beräkningar kan göra för dig. De kan skanna stora utrymmen för nya föreningar och egenskaper mer effektivt och snabbare än experiment ensamma kan."
Genom att följa lovande ledtrådar från data i materialprojektet under det senaste decenniet har forskare experimentellt bekräftat användbara egenskaper i nya material inom flera områden. Vissa visar potential för användning:
Att hitta dessa potentiella material är naturligtvis bara ett av många steg för att lösa några av mänsklighetens stora tekniska utmaningar.
"Att göra ett material är inte för svaga hjärtan", sa Persson. "Det tar lång tid att ta ett material från beräkning till kommersialisering. Det måste ha rätt egenskaper, fungera inom enheter, kunna skalas och ha rätt kostnadseffektivitet och prestanda. Målet med Materialprojektet och anläggningar som t.ex. A-Lab ska utnyttja data, möjliggöra datadriven utforskning och i slutändan ge företag mer hållbara skott på mål."
Mer information: Gerbrand Ceder, Ett autonomt laboratorium för accelererad syntes av nya material, Nature (2023). DOI:10.1038/s41586-023-06734-w. www.nature.com/articles/s41586-023-06734-w
Amil Merchant et al, Skalning av djupinlärning för materialupptäckt, Nature (2023). DOI:10.1038/s41586-023-06735-9, www.nature.com/articles/s41586-023-06735-9
Journalinformation: Natur
Tillhandahålls av Lawrence Berkeley National Laboratory
