Google DeepMind, yeni nesil mikroişlemciler, elektrik pilleri, güneş panelleri ve benzerlerini oluşturmak için potansiyel olarak kullanılabilecek milyonlarca inorganik kristal yapıyı tahmin edebilen bir yapay zeka modeli geliştirdiğini söylüyor.

Kristal yapılar tekrarlanan bir düzende düzenlenmiş atomlardan oluşur. Genellikle belirli koşullar altında elektrik, ışık veya manyetizmayı iletmelerine olanak tanıyan belirli özellikler sergilerler ve bu da onları elektronik mühendisliği için yararlı kılabilir. 

Örneğin silikon elmas şeklinde kübik bir kristal yapı oluşturur ve sizin de bildiğiniz gibi bilgisayar çiplerindeki en küçük elektronik devrelerin temeli olarak kullanıldığından eminiz. Grafen, altıgen bir kafes içindeki karbon atomu katmanlarından oluşur ve termal özellikleri, ısı boruları ve termal kayışlar yapmak için test edilmiştir. uzay aracı için [PDF].

Bilim insanları, harika bir şeyin gerçekleşmesi umuduyla, bilinen malzemeler üzerinde deneyler yapmak ve bunların farklı elementler ve moleküllerle reaksiyona girmesini sağlamak için kullanılan, arzu edilen özelliklere sahip, henüz bilinmeyen kristal yapıları keşfetmeye çalışıyor. Deneme yanılma yöntemi açıkça karmaşık ve zaman alıcıdır ve sıklıkla hiçbir yere varmaz.

Yeni bir yapının kimyasal olarak kararlı olup olmayacağını ve laboratuvarda yapılmaya değer olup olmadığını modelleyen bilgisayar simülasyonlarının kullanılmasıyla işler iyileşti.

Hesaplamalı yaklaşımın onbinlerce potansiyel kristal yapının keşfedilmesine yol açtığı bildiriliyor. Google DeepMind'daki araştırmacılar bu hafta 2.2 milyon olası kristal yapıyı ortaya çıkaran bir yapay zeka modeli geliştirdiklerini ve aday malzemelerin 380,000'inin gelecekteki teknolojilerde kullanılabilecek kadar kararlı olabileceğine inandıklarını söyledi. 

GNoME takma adı verilen bu yazılım, bilinen 69,000 kristalden alınan verilerle eğitilmiş bir grafik sinir ağına dayanmaktadır. Yeni bir malzemenin atomik yapısı veya kimyasal formülü göz önüne alındığında, GNoME onun potansiyel özelliklerini tahmin eder, böylece bilim insanları bunun ne kadar kararlı olabileceğini hesaplayabilir. Her şey ümit verici görünüyorsa, geçerli bir malzeme olarak takip edilmeye değer olabilir.

"Modelimizin ilerici eğitim döngüleri sırasındaki tahmin gücünü değerlendirmek için, fizik, kimya ve malzeme biliminde atomların yapılarını anlamak için kullanılan Yoğunluk Fonksiyonel Teorisi (DFT) olarak bilinen yerleşik hesaplama tekniklerini kullanarak performansını tekrar tekrar kontrol ettik; bu, atomların yapılarını anlamak için önemlidir. kristallerin stabilitesi,” Amil Merchant ve Ekin Doğuş Çubuk, ortak yazarlar Doğa kağıdı GNoME ve Google DeepMind'daki araştırmacılar hakkında, açıkladı.

"GNoME'un performansını önemli ölçüde artıran, 'aktif öğrenme' adı verilen bir eğitim süreci kullandık. GNoME, daha sonra DFT kullanılarak test edilen yeni, kararlı kristallerin yapıları için tahminler üretecekti. Ortaya çıkan yüksek kaliteli eğitim verileri daha sonra model eğitimimize geri beslendi."

Bu yaklaşımı kullanarak, GNoME'nin grafene benzer yapıya sahip 52,000 bileşik ve 528 lityum iyon iletkeninin yanı sıra süper iletkenler ve şarj edilebilir piller için malzeme üretmek için potansiyel olarak kullanılabilecek 15 lityum geçiş metali oksit ürettiği bildirildi.

GNoME'un tahminlerinin tam olarak ne kadar doğru olduğu tam olarak belli değil ancak gelecek vaat eden bir araç olabilir gibi görünüyor. Tamamen ikna olmadık ama makine öğrenimi için ilginç bir yön bu.

Bilim insanları, yeni bir bileşiğin laboratuvarda üretilmeye ve ticari açıdan potansiyel bir şeye dönüştürülmeye değer olup olmadığını anlamak için GNoME gibi bir şeyi kullanabilirler. Tahmin ettiği milyonlarca yapıdan 736 kristal, önceki deneylerde kimyasal olarak doğrulanan yapılarla eşleşiyordu, yani belki de en azından bir şeyler açıktı. Bu yapılardan 184'ü de yakın zamanda keşfedildi.

Robotik ile yapay zekayı birleştirmek

Ancak bu, yeni kristal yapıların tahmin edilmesinden gelecekteki donanımlar için malzeme yaratılmasına kadar büyük bir adımdır.

Başka bir projede Lawrence Berkeley Ulusal Laboratuvarı'ndan araştırmacılarla işbirliği yaparak Malzeme ProjesiGNoMe'nin bazı çıktıları, robotik bir kolun pişirmesi için 58 inorganik tozun seçilmesinde kullanıldı. Oksijen, karbondioksit ve suyla reaksiyona girmeyeceği tahmin edilen hedefleri seçtiler; böylece normal koşullarda stabil olacaklardı. 

İnorganik tozları yapmak için önerilen kimyasal tarif, akademik makalelerden alınan metin verileriyle eğitilmiş büyük bir dil modeliyle oluşturuldu. Bunlar daha sonra robotik bir kolun gerçekleştirmesi için bir dizi talimat olarak beslendi. Robot malzemeleri seçiyor, karıştırıyor ve bileşiği oluşturmak için ısıtıyor. A-Lab adı verilen sistemin tamamı ikinci bir makalede anlatılmıştır. yayınlanan doğada. 

Lawrence Berkeley Ulusal Laboratuvarı'nın GNoMe destekli robot-boffin'i iş başında... Resim kredisi: Marilyn Sargent/Berkeley Laboratuvarı

17 gün boyunca aralıksız çalışan A-Lab, 41 hedeften 58'ini üretmeyi başardı. A-Lab'ın baş araştırmacısı ve Berkeley Laboratuvarı ve Berkeley Kaliforniya Üniversitesi'nden bir bilim adamı olan Gerd Ceder, "Yüzde 71 gibi şaşırtıcı bir başarı oranına sahiptik ve bunu geliştirmek için zaten birkaç yolumuz var" dedi. 

Robot tarafından başarıyla sentezlenen 41 malzemeden 35'i A-Lab tarafından oluşturulan tariflerden yapıldı. Ancak sistem genellikle ilk seferde doğru sonucu vermez ve test edilmesi gereken yüzlerce potansiyel tarifi ortaya çıkarır. Araştırmacılar makalelerinde "Sonunda hedeflerin yüzde 71'inin elde edilmesine rağmen, A-Lab tarafından test edilen 37 sentez tarifinin yalnızca yüzde 355'si hedeflerini üretti" diye yazdı.

Yavaş reaksiyon sürelerinin, uçucu malzemelerin ve sistemdeki hataların arızalara yol açtığını buldular. Bazen kimyasal bileşik robotun yapamayacağı kadar karmaşık olabiliyor ya da yeterince kararlı olmuyordu. Bazı durumlarda, tozun kristal yapısı yapışkan bir karmaşaya dönüşüyordu. "Bu başarı oranı, laboratuvarın karar verme algoritmasında yalnızca küçük değişikliklerle yüzde 74'e, hesaplama teknikleri de geliştirilirse yüzde 78'e yükseltilebilir" dediler.

Ceder, A-Lab deneylerinin yapay zeka ve robot bilimindeki ilerlemelerin bilim adamlarının malzemeleri eskisinden daha hızlı yapmasına ve test etmesine yardımcı olabileceğini kanıtladığını açıkladı. 

Berkeley Laboratuvarı Malzeme Projesi'nin kurucusu ve yöneticisi ve UC Berkeley'de profesör olan Kristin Persson, "Küresel çevre ve iklim sorunlarına çözüm bulmak istiyorsak yeni malzemeler yaratmak zorundayız" dedi. "Malzemelerdeki yeniliklerle potansiyel olarak geri dönüştürülebilir plastikler geliştirebilir, atık enerjiden yararlanabilir, daha iyi piller üretebilir ve daha birçok şeyin yanı sıra daha uzun ömürlü daha ucuz güneş panelleri üretebiliriz." ®

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://go.theregister.com/feed/www.theregister.com/2023/11/30/ai_predicts_novel_materials/