Investigación
La herramienta de inteligencia artificial GNoME encuentra 2,2 millones de nuevos cristales, incluidos 380.000 materiales estables que podrían impulsar tecnologías futuras
Las tecnologías modernas, desde chips de computadora y baterías hasta paneles solares, se basan en cristales inorgánicos. Para permitir nuevas tecnologías, los cristales deben ser estables, de lo contrario pueden descomponerse, y detrás de cada cristal nuevo y estable pueden haber meses de ardua experimentación.
Hoy, en un artículo publicado en Naturaleza, compartimos el descubrimiento de 2,2 millones de nuevos cristales, lo que equivale a casi 800 años de conocimiento. Presentamos Graph Networks for Materials Exploration (GNoME), nuestra nueva herramienta de aprendizaje profundo que aumenta drásticamente la velocidad y la eficiencia del descubrimiento al predecir la estabilidad de nuevos materiales.
Con GNoME, hemos multiplicado la cantidad de materiales tecnológicamente viables conocidos por la humanidad. De sus 2,2 millones de predicciones, 380.000 son las más estables, lo que las convierte en candidatos prometedores para la síntesis experimental. Entre estos candidatos se encuentran materiales que tienen el potencial de desarrollar futuras tecnologías transformadoras que van desde superconductores, potenciando supercomputadoras y baterías de próxima generación para impulsar la eficiencia de los vehículos eléctricos.
GNoME muestra el potencial del uso de la IA para descubrir y desarrollar nuevos materiales a escala. Investigadores externos en laboratorios de todo el mundo han creado de forma independiente 736 de estas nuevas estructuras de forma experimental en trabajos simultáneos. En asociación con Google DeepMind, un equipo de investigadores del Laboratorio Nacional Lawrence Berkeley también publicó un segundo artículo en Naturaleza eso muestra cómo nuestras predicciones de IA pueden aprovecharse para la síntesis autónoma de materiales.
hemos hecho Las predicciones de GNoME disponibles a la comunidad investigadora. Contribuiremos con 380.000 materiales que prevemos que serán estables al Proyecto de Materiales, que ahora está procesando los compuestos y agregándolos a su base de datos en línea. Esperamos que estos recursos impulsen la investigación sobre cristales inorgánicos y desvelen la promesa de las herramientas de aprendizaje automático como guías para la experimentación.
Acelerar el descubrimiento de materiales con IA
Aproximadamente 20.000 de los cristales identificados experimentalmente en la base de datos ICSD son computacionalmente estables. Los enfoques computacionales basados en el Proyecto de Materiales, la Base de Datos Abierta de Materiales Cuánticos y la base de datos WBM aumentaron este número a 48.000 cristales estables. GNoME amplía a 421.000 el número de materiales estables conocidos por la humanidad.
En el pasado, los científicos buscaban nuevas estructuras cristalinas modificando cristales conocidos o experimentando con nuevas combinaciones de elementos, un proceso costoso de prueba y error que podía tardar meses en ofrecer resultados incluso limitados. Durante la última década, los enfoques computacionales liderados por el proyecto de materiales y otros grupos han ayudado a descubrir 28.000 nuevos materiales. Pero hasta ahora, los nuevos enfoques guiados por la IA alcanzan un límite fundamental en su capacidad para predecir con precisión materiales que podrían ser experimentalmente viables. El descubrimiento de 2,2 millones de materiales por parte de GNoME equivaldría a unos 800 años de conocimiento y demuestra una escala y un nivel de precisión sin precedentes en las predicciones.
Por ejemplo, 52.000 nuevos compuestos estratificados similares al grafeno que tienen potencial para revolucionar la electrónica con el desarrollo de superconductores. Anteriormente, sobre Se han identificado 1.000 materiales de este tipo.. También encontramos 528 conductores potenciales de iones de litio, 25 veces más que un estudio previoque podría utilizarse para mejorar el rendimiento de las baterías recargables.
Estamos publicando las estructuras previstas para 380.000 materiales que tienen la mayor probabilidad de fabricarse con éxito en el laboratorio y utilizarse en aplicaciones viables. Para que un material se considere estable, no debe descomponerse en composiciones similares con menor energía. Por ejemplo, el carbono en una estructura similar al grafeno es estable en comparación con el carbono en los diamantes. Matemáticamente, estos materiales se encuentran en el casco convexo. Este proyecto descubrió 2,2 millones de nuevos cristales que son estables según los estándares científicos actuales y se encuentran debajo del casco convexo de descubrimientos anteriores. De ellos, 380.000 se consideran los más estables y se encuentran en el casco convexo “final”, el nuevo estándar que hemos establecido para la estabilidad de los materiales.
GNoME: aprovechando las redes de gráficos para la exploración de materiales
GNoME utiliza dos canales para descubrir materiales de baja energía (estables). El proceso estructural crea candidatos con estructuras similares a los cristales conocidos, mientras que el proceso compositivo sigue un enfoque más aleatorio basado en fórmulas químicas. Los resultados de ambos canales se evalúan utilizando cálculos establecidos de la teoría funcional de la densidad y esos resultados se agregan a la base de datos GNoME, informando la siguiente ronda de aprendizaje activo.
GNoME es un modelo de red neuronal gráfica (GNN) de última generación. Los datos de entrada de los GNN toman la forma de un gráfico que puede compararse con conexiones entre átomos, lo que hace que los GNN sean especialmente adecuados para descubrir nuevos materiales cristalinos.
GNoME fue entrenado originalmente con datos sobre estructuras cristalinas y su estabilidad, disponibles abiertamente a través de el proyecto de materiales. Usamos GNoME para generar nuevos cristales candidatos y también para predecir su estabilidad. Para evaluar el poder predictivo de nuestro modelo durante los ciclos de entrenamiento progresivos, verificamos repetidamente su rendimiento utilizando técnicas computacionales establecidas conocidas como Teoría del Funcional de Densidad (DFT), utilizada en física, química y ciencia de materiales para comprender las estructuras de los átomos, lo cual es importante para evaluar la estabilidad. de cristales.
Usamos un proceso de capacitación llamado “aprendizaje activo” que impulsó dramáticamente el desempeño de GNoME. GNoME generaría predicciones para las estructuras de nuevos cristales estables, que luego se probarían utilizando DFT. Los datos de entrenamiento de alta calidad resultantes se reintrodujeron en nuestro modelo de entrenamiento.
Nuestra investigación aumentó la tasa de descubrimiento de la predicción de la estabilidad de los materiales de alrededor del 50% al 80%, según un punto de referencia externo establecido por modelos de última generación anteriores. También logramos aumentar la eficiencia de nuestro modelo al mejorar la tasa de descubrimiento de menos del 10 % a más del 80 %; dichos aumentos de eficiencia podrían tener un impacto significativo en la cantidad de computación que se requiere por descubrimiento.
‘Recetas’ de IA para nuevos materiales
El proyecto GNoME tiene como objetivo reducir el coste del descubrimiento de nuevos materiales. Investigadores externos han creado de forma independiente 736 de los nuevos materiales de GNoME en el laboratorio, lo que demuestra que las predicciones de nuestro modelo sobre cristales estables reflejan con precisión la realidad. Hemos publicado nuestra base de datos de cristales recién descubiertos a la comunidad de investigación. Al ofrecer a los científicos el catálogo completo de “recetas” prometedoras para nuevos materiales candidatos, esperamos que esto les ayude a probar y potencialmente crear los mejores.
Al finalizar nuestros últimos esfuerzos de descubrimiento, buscamos en la literatura científica y descubrimos que 736 de nuestros descubrimientos computacionales fueron realizados de forma independiente por equipos externos en todo el mundo. Arriba se muestran seis ejemplos que van desde un material óptico alcalino-térreo similar al diamante, el primero de su tipo, (Li4MgGe2S7) hasta un superconductor potencial (Mo5GeB2).
El rápido desarrollo de nuevas tecnologías basadas en estos cristales dependerá de la capacidad para fabricarlos. En un artículo dirigido por nuestros colaboradores del Berkeley Lab, los investigadores demostraron que un laboratorio robótico podría fabricar rápidamente nuevos materiales con técnicas de síntesis automatizadas. Utilizando materiales del Proyecto de Materiales y conocimientos sobre estabilidad de GNoME, el laboratorio autónomo creó nuevas recetas para estructuras cristalinas y sintetizó con éxito más de 41 nuevos materiales, abriendo nuevas posibilidades para la síntesis de materiales impulsada por IA.
A-Lab, una instalación en Berkeley Lab donde la inteligencia artificial guía a los robots en la fabricación de nuevos materiales. Crédito de la foto: Marilyn Sargent/Berkeley Lab.
Nuevos materiales para nuevas tecnologías.
Para construir un futuro más sostenible, necesitamos nuevos materiales. GNoME ha descubierto 380.000 cristales estables que tienen potencial para desarrollar tecnologías más ecológicas, desde mejores baterías para coches eléctricos hasta superconductores para una informática más eficiente.
Nuestra investigación, y la de los colaboradores del Berkeley Lab, Google Research y equipos de todo el mundo, muestra el potencial de utilizar la IA para guiar el descubrimiento, la experimentación y la síntesis de materiales. Esperamos que GNoME, junto con otras herramientas de inteligencia artificial, pueda ayudar a revolucionar el descubrimiento de materiales hoy y dar forma al futuro del campo.