Google DeepMindは、次世代のマイクロプロセッサ、電池、ソーラーパネルなどの形成に使用できる可能性のある数百万の無機結晶構造を予測できるAIモデルを開発したと発表した。
結晶構造は、繰り返しパターンで配置された原子で構成されています。 これらは、特定の条件下で電気、光、または磁気を伝導できる特定の特性を示すことが多く、電子工学に役立ちます。
たとえば、シリコンはダイヤモンド立方晶構造を形成しており、ご存知のとおり、コンピューター チップの微細な電子回路の基礎として使用されています。 グラフェンは六方格子の炭素原子の層で構成されており、その熱特性はヒートパイプやサーマルストラップを製造するためにテストされています。 宇宙船用 [PDF]。
望ましい特性を持つまだ知られていない結晶構造の発見に取り組む科学者たちは、何か素晴らしいことが起こることを期待して、既知の材料を使って実験し、異なる元素や分子と反応させていました。 試行錯誤の方法は明らかに複雑で時間がかかり、結果が得られないことがよくあります。
新しい構造が化学的に安定しているかどうかをモデル化するコンピューター シミュレーションを使用することで状況は改善されており、研究室で作ってみる価値はあります。
報告によると、計算によるアプローチにより、数万の潜在的な結晶構造が発見されました。 Google DeepMindの研究者らは今週、2.2万通りの結晶構造を考え出したAIモデルを開発し、候補物質のうち380,000万種は将来の技術で使用できるほど安定している可能性があると考えていると発表した。
GNoME と呼ばれるこのソフトウェアは、69,000 個の既知の結晶から取得したデータに基づいてトレーニングされたグラフ ニューラル ネットワークに基づいています。 新しい物質の原子構造または化学式を考慮すると、GNoME はその潜在的な特性を予測するため、科学者はその物質がどの程度安定しているかを計算できます。 すべてが有望に見える場合は、実行可能な素材として追求する価値があるかもしれません。
「漸進的なトレーニング サイクル中のモデルの予測力を評価するために、密度汎関数理論 (DFT) として知られる確立された計算技術を使用してそのパフォーマンスを繰り返しチェックしました。DFT は原子の構造を理解するために物理学、化学、材料科学で使用されます。これは原子の構造を理解するために重要です。結晶の安定性」の共著者であるアミル・マーチャントとイーキン・ドガス・キューブクは述べています。 ネイチャーペーパー GNoME と Google DeepMind の研究者について、 説明.
「私たちは、GNoME のパフォーマンスを劇的に向上させる「アクティブ ラーニング」と呼ばれるトレーニング プロセスを使用しました。 GNoME は、新規の安定した結晶の構造の予測を生成し、DFT を使用してテストします。 結果として得られた高品質のトレーニング データは、モデルのトレーニングにフィードバックされました。」
このアプローチを使用して、GNoME は、グラフェンに類似した構造を持つ 52,000 の化合物、528 のリチウムイオン伝導体、および超伝導体や充電式電池の材料の作製に使用できる可能性のある 15 のリチウム遷移金属酸化物を生成したと報告されています。
GNoME の予測がどれほど正確であるかは完全には明らかではありませんが、有望なツールである可能性はあるようです。 私たちはそれに完全に賛成しているわけではありませんが、機械学習の方向性としては興味深いものです。
科学者は基本的に、GNoME のようなものを使用して、新しい化合物が研究室で作成され、潜在的な商業的観点を持つものに開発される価値があるかどうかを判断できます。 それが予測した数百万の構造のうち、736 個の結晶が、これまでの別の実験で化学的に検証された構造と一致したため、少なくとも何かは当たっているのかもしれません。 そのうち 184 個の構造物も最近発見されたものです。
ロボット工学と AI の組み合わせ
ただし、これは、新しい結晶構造の予測から将来のハードウェア用の材料の作成までの大きな一歩です。
別のプロジェクトでは、ローレンス バークレー国立研究所の研究者と協力して、 材料プロジェクト、GNoMe の出力の一部は、ロボット アームが調理するための 58 個の無機粉末を選択するために使用されました。 彼らは、酸素、二酸化炭素、水と反応しないと予測されるターゲットを選択したため、通常の状態では安定しています。
無機粉末を製造するために提案された化学レシピは、学術論文から収集したテキスト データでトレーニングされた大規模な言語モデルによって生成されました。 これらは、ロボット アームが実行するための一連の命令として供給されます。 ロボットは成分を選択し、混合し、加熱して化合物を作成します。 A-Lab という名前のシステム全体については、XNUMX 番目の論文で説明されています。 公表 本来は。
ローレンス・バークレー国立研究所の GNoMe を利用したロボフィンが稼働中…画像提供: Marilyn Sargent/Berkeley Lab
A-Lab は 17 日間休みなく働き、41 個のターゲットのうち 58 個を生成することに成功しました。 「成功率は 71 [パーセント] という驚異的で、これを改善する方法はすでにいくつかあります」と、A-Lab の主任研究員であり、バークレー研究所とカリフォルニア大学バークレー校の科学者であるゲルド・シーダー氏は熱意を持って述べています。
ロボットによって合成に成功した 41 種類の材料のうち、35 種類は A-Lab が生成したレシピから作られました。 ただし、システムは通常、最初からそれを正しく行うことはできず、テストする必要がある何百もの潜在的なレシピを吐き出します。 「最終的に標的の71[パーセント]が得られたにもかかわらず、A-Labによってテストされた37の合成レシピのうち、標的を生成したのはわずか355[パーセント]だけだった」と研究者らは論文に書いている。
彼らは、反応時間の遅さ、揮発性物質、システムの不正確さが故障につながることを発見しました。 場合によっては、化合物が複雑すぎてロボットが作成できない場合や、十分に安定していない場合がありました。 場合によっては、粉末の結晶構造がどろどろになってしまうこともありました。 「研究室の意思決定アルゴリズムにわずかな変更を加えるだけで、この成功率は 74 [パーセント] に向上する可能性があり、計算技術も改善されればさらに 78 [パーセント] に向上する可能性がある」と研究者らは示唆した。
Ceder 氏は、A-Lab の実験は、AI とロボット工学の進歩により、科学者が以前よりも迅速に材料を作成およびテストできることが証明されたと宣言しました。
「地球規模の環境や気候の課題に対処するには、新しい材料を作成する必要があります」と、バークレー研究所材料プロジェクトの創設者兼ディレクターであり、カリフォルニア大学バークレー校の教授であるクリスティン・パーソンは主張します。 「材料の革新により、リサイクル可能なプラスチックの開発、廃棄エネルギーの利用、より優れたバッテリーの製造、より安価で長持ちするソーラーパネルの構築など、多くのことが可能になる可能性があります。」 ®
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源： https://go.theregister.com/feed/www.theregister.com/2023/11/30/ai_predicts_novel_materials/
