راستخدم الباحثون في Google DeepMind الذكاء الاصطناعي للتنبؤ بهياكل أكثر من مليوني مادة جديدة، في اختراق يمكن أن يكون له فوائد واسعة النطاق في قطاعات مثل الطاقة المتجددة والحوسبة.
العقل العميق نشرت 381.000 من أصل 2.2 مليون بنية بلورية يتوقع أن تكون الأكثر استقرارًا.
يؤدي هذا الاختراق إلى زيادة عدد المواد المستقرة المعروفة بمعامل عشرة. على الرغم من أن المواد ستظل بحاجة إلى تصنيعها واختبارها، وهي خطوات قد تستغرق شهورًا أو حتى سنوات، فمن المتوقع أن يؤدي التطور الأخير إلى تسريع اكتشاف مواد جديدة ستكون مطلوبة لتطبيقات مثل تخزين الطاقة والخلايا الشمسية والموصلات الفائقة. رقائق.
يقول إيكين دوجوس كوبوك، عالم أبحاث الموظفين في Google Brain، الذي عمل على أداة DeepMind AI: “بينما تلعب المواد دورًا بالغ الأهمية في أي تقنية تقريبًا، فإننا كبشرية لا نعرف سوى بضع عشرات الآلاف من المواد المستقرة”. المعروفة باسم شبكات الرسم البياني لاستكشاف المواد (GNoME). ويصبح هذا الرقم أصغر عند النظر في المواد المناسبة لتقنيات معينة، كما قال كوبوك للصحفيين في مؤتمر صحفي يوم 28 نوفمبر. “لنفترض أنك تريد العثور على إلكتروليت صلب جديد لبطاريات أفضل. يجب أن تكون هذه الإلكتروليتات موصلات جيدة أيونيًا ولكنها موصلات سيئة إلكترونيًا، ويجب ألا تكون سامة، ولا ينبغي أن تكون مشعة. بمجرد تطبيق كل هذه المرشحات، يتبين أنه ليس لدينا سوى عدد قليل من الخيارات التي يمكننا اتباعها، والتي في نهاية المطاف لا تحدث ثورة حقيقية في بطارياتنا.
فقط مجموعات معينة من العناصر تتفاعل لتشكل مواد صلبة مستقرة – إذا لم تكن الروابط بين الذرات المكونة قوية بما فيه الكفاية، فإن المادة الصلبة سوف تتحلل تلقائيًا. عادة، يتم اكتشاف المواد المستقرة الجديدة من خلال التجربة والخطأ عن طريق إجراء تغييرات تدريجية على المواد المعروفة أو عن طريق خلط العناصر معًا بما يتماشى مع المبادئ المستمدة من مجال كيمياء الحالة الصلبة. غالبًا ما تكون هذه العملية مكلفة ويمكن أن تستغرق شهورًا، وقد أسفرت التجارب البشرية عن هياكل مكونة من 20 ألف مادة مستقرة في المجمل. هذه الهياكل متوفرة في قاعدة بيانات الهياكل البلورية غير العضوية (ICSD)، وهي أكبر قاعدة بيانات في العالم للمواد المحددة.
بُذلت جهود للتنبؤ حسابيًا بالمواد الجديدة في الماضي، وأبرزها مشروع المواد، وهو جهد بحثي متعدد الجنسيات أسسته كريستين بيرسون في مختبر لورانس بيركلي الوطني. وقد أسفرت هذه الجهود حتى الآن عن 28000 مادة مستقرة إضافية.
تم تدريب GNoME باستخدام البيانات المتعلقة بهياكل المواد واستقرارها من مشروع المواد. بعد ذلك، طلب الباحثون من GNoME اقتراح هياكل جديدة حدد نموذجها أنها من المرجح أن تكون مستقرة. تم استخدام التقنيات الحسابية المعمول بها لتقييم استقرار المواد الناتجة عن جنوم بشكل أكثر دقة. تمت تغذية هذه البيانات عالية الجودة مرة أخرى إلى GNoME، مما أدى إلى زيادة دقة التنبؤ بالاستقرار.
أخذت Google DeepMind 381000 مادة من المرجح أن تكون مستقرة من إجمالي 2.2 مليون مادة من المحتمل أن تكون مستقرة وأضفتها إلى ISCD – مما أدى إلى زيادة عدد المواد المعروفة التي من المتوقع أن تكون مستقرة بمعامل عشرة. ولاختبار ما إذا كانت المواد التي يتوقع GNoME أن تكون مستقرة هي بالفعل مستقرة، تعاون Google DeepMind مع باحثين خارجيين نجحوا في تصنيع 736 منها.
ومن بين 381000 مادة كان هناك 528 موصل محتمل لأيونات الليثيوم يمكن استخدامها في البطاريات، و52000 مركب ذو طبقات جديدة ذات بنية مشابهة للجرافين، مما يفتح إمكانية أن يكون بعضها أساسًا لمواد جديدة فائقة التوصيل. وقال كوبوك: “نعتقد أن بعض هذه الأشياء سيتم تصنيعها في المختبر، الأمر الذي نأمل أن يؤدي إلى تطبيقات مثيرة للغاية”.
وأشار كوبوك إلى أن التنبؤ بما إذا كان من المحتمل أن تكون الهياكل البلورية مستقرة يمنح علماء المواد المزيد من الأهداف التي يهدفون إليها. لكن هذا لا يزال يترك العديد من المراحل التي تستغرق وقتًا طويلاً قبل أن تصبح المادة مفيدة: تصنيع المادة، واختبارها لمعرفة ما إذا كانت تظهر خصائص مفيدة مثل الموصلية، واستنباط طرق تصنيع واسعة النطاق.
ويعمل الباحثون في مختبر لورانس بيركلي الوطني على تسريع خطوة التوليف. ال أ-مختبر، وهو نظام آلي لتركيب المواد، عمل 24 ساعة في اليوم، 7 أيام في الأسبوع لمدة 17 يومًا لمحاولة تركيب 58 مادة تنبأ بها مشروع المواد، ونجح في 41 حالة. وقال كوبوك: عادة، قد يستغرق الأمر ستة أشهر أو حتى سنوات لتجميع المادة.
وقال بيرسون في المؤتمر الصحفي: “هذا هو المستقبل – تصميم المواد بشكل مستقل باستخدام أجهزة الكمبيوتر، ولكن أيضًا جعلها مستقلة باستخدام هذه المعامل الآلية والتعلم من العملية”.
بالإضافة إلى التنبؤ الدقيق بما إذا كانت المادة مستقرة، يستطيع GNoME التنبؤ بما إذا كانت ستعمل كموصل أيوني فعال، وهي خاصية مهمة للبطاريات. يشعر باحثو Google DeepMind بالتفاؤل بأن أدوات الذكاء الاصطناعي المستقبلية ستكون قادرة على التنبؤ بخصائص مفيدة أخرى. وقال كوبوك: “إن نماذج التعلم الآلي، عندما يتم تدريبها على الكثير من البيانات، تتعلم جوانب مثيرة للاهتمام من ميكانيكا الكم، وتكون قادرة على التعميم والتنبؤ بأشياء لم يتم تدريبها عليها مطلقًا”. “مما يجعلنا متحمسين للغاية بشأن التحديات القادمة التي سنواجهها، مثل التنبؤ بقابلية التوليف.”
إن اختراق GNoME هو الأحدث من Google DeepMind، الذي أنتج سابقًا التنبؤ بطي البروتين ألفا فولدأداة فحص الأمراض الوراثية AlphaMissense، والتنبؤ بالطقس GraphCast.
“إذا فكرت في مشكلة التنبؤ ببنية البروتين وإذا فكرت في استقرار المواد، فكلاهما يمثل مشكلة العقدة الجذرية، [that] نعتقد أن بإمكاننا فتح عدد من التطبيقات المختلفة بما يتجاوز تلك المشكلات نفسها.” بوشميت كوهليقال، الذي يقود فريق الذكاء الاصطناعي للعلوم في Google DeepMind. “هذه المشكلة المحددة لها آثار على العديد من المشاكل الأخرى التي يهتم بها المجتمع حقًا اليوم.”
تصحيح، 29 نوفمبر
النسخة الأصلية من هذه القصة أخطأت في وصف المنظمة التي تنبأت بالمواد التي تم تصنيعها بواسطة A-Lab. لقد كان مشروع المواد، وليس فريق Google DeepMind GNoME.