Google DeepMind ha sviluppato un nuovo strumento di intelligenza artificiale chiamato GNoME , che non ha niente a che fare con l’interfaccia utente dei sistemi operativi basati su Linux bensì è l’acronimo di Graph Networks for Materials Exploration. Grazie a GNoME, DeepMind il 29 Novembre ha annunciato di aver scoperto 2,2 milioni di nuovi materiali cristallini. I materiali scoperti possono essere utilizzati per creare migliori celle solari, batterie, chip informatici e altro ancora.
GNoME utilizza tecniche di deep learning per accelerare notevolmente il processo di scoperta di nuovi materiali, che di solito richiede mesi o anni di ricerca basata su tentativi ed errori.
I materiali cristallini sono sostanze solide in cui gli atomi, le molecole o gli ioni sono organizzati in una struttura cristallina regolare e ripetitiva. Questa organizzazione regolare conferisce ai materiali cristallini molte delle loro proprietà distintive.
GNoME : efficienza senza precedenti nella scoperta dei materiali
GNoME è stato in grado di identificare 2,2 milioni di nuove strutture cristalline inorganiche potenzialmente stabili.
Dei 2,2 milioni di materiali trovati, si prevede che 380.000 siano i più stabili e quindi i migliori candidati per la sintesi sperimentale nei laboratori. Ciò rappresenta un aumento di oltre otto volte rispetto ai cristalli inorganici stabili precedentemente noti.
DeepMind ha condiviso tutti i risultati e le previsioni fatte da GNoME. I materiali scoperti sono stati resi pubblicamente disponibili tramite il database del Materials Project, fornendo ai ricercatori di tutto il mondo l’accesso gratuito a questa ricchezza di dati.
Sintesi dei materiali scoperti con la robotica IA
Una volta identificati i nuovi materiali potenzialmente stabili, è altrettanto importante sintetizzarli e dimostrarne l’utilità. Il laboratorio di Berkeley Lab, denominato A-Lab, sta utilizzando le scoperte di GNoME con le informazioni del Materials Project, integrando la robotica IA per ottimizzare lo sviluppo di tali materiali.
I ricercatori del Berkeley Lab affermano che A-Lab è stato in grado di eseguire 355 esperimenti in 17 giorni e di sintetizzare con successo 41 dei 58 materiali proposti. Questo equivale a due sintesi riuscite al giorno.
In un laboratorio guidato dall’uomo, ci vuole molto più tempo per produrre i materiali. “Se sei sfortunato, possono volerci mesi o addirittura anni“, ha detto Persson (A-Lab) in una conferenza stampa. La maggior parte dei ricercatori si arrende dopo poche settimane, ha affermato. “Ma all’A-Lab non importa fallire. I robot continuano a provare e riprovare fino a risultato ottenuto.”
Metodo di ricerca di GNoME
Per scoprire nuovi materiali, gli scienziati combinano gli elementi della tavola periodica. Ma poiché ci sono così tante combinazioni, i ricercatori partono da strutture esistenti, apportando piccole modifiche nella speranza di scoprire nuove combinazioni.
Tuttavia, questo processo scrupoloso richiede molto tempo e poiché si basa su strutture esistenti, limita il potenziale di scoperte inaspettate.
“Mentre i materiali svolgono un ruolo molto critico in quasi tutte le tecnologie, noi come umanità conosciamo solo poche decine di migliaia di materiali stabili”, ha affermato Dogus Cubuk, responsabile della scoperta dei materiali presso Google DeepMind.
Per superare queste limitazioni, i ricercatori DeepMind hanno combinato due diversi modelli IA. Il primo genera più di un miliardo di strutture apportando modifiche agli elementi dei materiali esistenti. Il secondo ignora le strutture esistenti e prevede la stabilità dei nuovi materiali esclusivamente sulla base di formule chimiche. La combinazione di questi due modelli consente una gamma di possibilità di ricerca molto più ampia.
Una volta generate, le strutture dei nuovi materiali candidati vengono filtrate e selezionate attraverso i modelli GNoME di DeepMind.
Implicazioni per il futuro della scoperta scientifica
Questi studi hanno enormi implicazioni per il futuro della scoperta scientifica e l’uso dell’intelligenza artificiale nella ricerca sulla scienza dei materiali. Questo tipo di approccio potrebbe accelerare la creazione di nuovi materiali per applicazioni specifiche. Potenzialmente porta a un’innovazione più rapida e a una riduzione dei costi nello sviluppo dei prodotti.
DeepMind afferma che GNoME ha identificato 528 promettenti conduttori agli ioni di litio tra le altre scoperte. Alcune delle scoperte potrebbero aiutare a rendere le batterie più efficienti.
Conclusione
Dalle batterie dei veicoli elettrici alle celle solari fino ai microchip, la scoperta di nuovi materiali può potenziare ed accelerare le scoperte tecnologiche. Ma per scoprirli di solito ci vogliono mesi o anni di ricerca per tentativi ed errori. Google DeepMind spera di cambiare la situazione con questo nuovo strumento che utilizza il deep learning.
L’innovazione di GNoME rappresenta un punto di svolta nella scienza dei materiali. Ancora una volta il potenziale dell’intelligenza artificiale dimostra la sua utilità per accelerare la scoperta e lo sviluppo nella ricerca.
