Google DeepMind dice que ha desarrollado un modelo de inteligencia artificial capaz de predecir millones de estructuras cristalinas inorgánicas que podrían usarse para formar microprocesadores, baterías eléctricas, paneles solares y similares de próxima generación.
Las estructuras cristalinas están formadas por átomos dispuestos en un patrón repetitivo. A menudo exhiben características particulares que les permiten conducir electricidad, luz o magnetismo en condiciones específicas que pueden hacerlos útiles para la ingeniería electrónica.
El silicio forma una estructura cristalina cúbica de diamante, por ejemplo, y como seguramente sabrá, se utiliza como base de los diminutos circuitos electrónicos de los chips de computadora. El grafeno está formado por capas de átomos de carbono en una red hexagonal, y sus propiedades térmicas se han probado para fabricar heatpipes y correas térmicas. para nave espacial [PDF].
Los científicos que trabajan para descubrir estructuras cristalinas aún desconocidas con propiedades deseables utilizan para experimentar con materiales conocidos (haciéndolos reaccionar con diferentes elementos y moléculas) con la esperanza de que suceda algo interesante. El método de prueba y error es evidentemente complejo, requiere mucho tiempo y muchas veces no conduce a ninguna parte.
Las cosas han mejorado con el uso de simulaciones por computadora que modelan si una nueva estructura podría ser químicamente estable o no, y si vale la pena intentar fabricarla en un laboratorio.
Según se informa, el enfoque computacional ha llevado al descubrimiento de decenas de miles de estructuras cristalinas potenciales. Los investigadores de Google DeepMind dijeron esta semana que han desarrollado un modelo de inteligencia artificial que ha generado 2.2 millones de posibles estructuras cristalinas y creen que 380,000 de los materiales candidatos podrían ser lo suficientemente estables como para usarlos en tecnologías futuras.
Este software, apodado GNoME, se basa en una red neuronal gráfica que ha sido entrenada con datos tomados de 69,000 cristales conocidos. Dada la estructura atómica o la fórmula química de un nuevo material, GNoME predice sus propiedades potenciales para que los científicos puedan calcular qué tan estable podría ser. Si todo parece prometedor, podría valer la pena buscarlo como material viable.
“Para evaluar el poder predictivo de nuestro modelo durante los ciclos de entrenamiento progresivos, comprobamos 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 los cristales”, Amil Merchant y Ekin Dogus Cubuk, coautores de un Papel de la naturaleza en GNoME e investigadores de Google DeepMind, explicado.
“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”.
Utilizando este enfoque, GNoME habría generado 52,000 compuestos con una estructura similar al grafeno y 528 conductores de iones de litio, así como 15 óxidos de metales de transición de litio que podrían usarse para fabricar materiales para superconductores y baterías recargables.
No está del todo claro qué tan preciso es exactamente GNoME con sus predicciones, pero parece que podría ser una herramienta prometedora. No estamos del todo convencidos, pero es una dirección interesante a seguir en el aprendizaje automático.
Básicamente, los científicos podrían usar algo como GNoME para determinar si vale la pena fabricar un nuevo compuesto en un laboratorio y convertirlo en algo que tenga un ángulo comercial potencial. De los millones de estructuras que predijo, 736 cristales coincidían con estructuras que han sido verificadas químicamente en experimentos anteriores separados, por lo que tal vez al menos haya dado en el blanco. 184 de esas estructuras también fueron descubiertas recientemente.
Combinando robótica con IA
Sin embargo, hay un gran paso desde predecir estructuras cristalinas novedosas hasta crear materiales para hardware futuro.
En otro proyecto, en colaboración con investigadores del Laboratorio Nacional Lawrence Berkeley que trabajan en el Proyecto de materiales, algunos de los resultados de GNoMe se utilizaron para seleccionar 58 polvos inorgánicos para cocinarlos con un brazo robótico. Eligieron objetivos que se predijo que no reaccionarían con oxígeno, dióxido de carbono y agua, por lo que serían estables en condiciones normales.
La receta química sugerida para fabricar los polvos inorgánicos se generó mediante un gran modelo de lenguaje entrenado con datos de texto extraídos de artículos académicos. Luego, estos se alimentaron como una serie de instrucciones para que las llevara a cabo un brazo robótico. El robot selecciona los ingredientes, los mezcla y los calienta para crear la mezcla. Todo el sistema, denominado A-Lab, ha sido descrito en un segundo artículo. publicado en naturaleza.
El robo-cerebro impulsado por GNoMe del Laboratorio Nacional Lawrence Berkeley en acción... Crédito de la imagen: Marilyn Sargent/Berkeley Lab
Trabajando sin parar durante 17 días, A-Lab logró producir 41 de los 58 objetivos. "Tuvimos esta asombrosa tasa de éxito del 71 [por ciento] y ya tenemos algunas formas de mejorarla", se entusiasmó Gerd Ceder, investigador principal de A-Lab y científico del Laboratorio de Berkeley y de la Universidad de California, Berkeley.
De los 41 materiales sintetizados con éxito por el robot, 35 se elaboraron a partir de recetas generadas por A-Lab. Sin embargo, el sistema no suele hacerlo bien a la primera y genera cientos de recetas potenciales que deben probarse. "A pesar de que finalmente se obtuvo el 71 [por ciento] de los objetivos, sólo el 37 [por ciento] de las 355 recetas de síntesis probadas por A-Lab produjeron sus objetivos", escribieron los investigadores en su artículo.
Descubrieron que los tiempos de reacción lentos, los materiales volátiles y las imprecisiones del sistema provocaban fallos. A veces, el compuesto químico era demasiado complicado para que el robot lo fabricara o no era lo suficientemente estable. En algunos casos, la estructura cristalina de un polvo terminaba siendo un desastre pegajoso. "Esta tasa de éxito podría mejorarse hasta el 74 [por ciento] con sólo modificaciones menores en el algoritmo de toma de decisiones del laboratorio, y hasta el 78 [por ciento] si también se mejoraran las técnicas computacionales", sugirieron.
Ceder declaró que los experimentos de A-Lab demostraron que los avances en inteligencia artificial y robótica pueden ayudar a los científicos a fabricar y probar materiales más rápido que antes.
"Tenemos que crear nuevos materiales si queremos abordar los desafíos ambientales y climáticos globales", argumentó Kristin Persson, fundadora y directora del Proyecto de Materiales en Berkeley Lab y profesora en UC Berkeley. "Con la innovación en materiales, podemos potencialmente desarrollar plásticos reciclables, aprovechar la energía residual, fabricar mejores baterías y construir paneles solares más baratos y que duren más, entre muchas otras cosas". ®
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://go.theregister.com/feed/www.theregister.com/2023/11/30/ai_predicts_novel_materials/
