Οι ερευνητές του Google DeepMind ανακάλυψαν 2,2 εκατομμύρια νέες κρυσταλλικές δομές που ανοίγουν τον δρόμο για πρόοδο σε ένα εύρος πεδίων από ανανεώσιμες πηγές ενέργειας έως προηγμένους υπολογισμούς, καταδεικνύοντας την δύναμη της τεχνητής νοημοσύνης να ανακαλύπτει νέα υλικά.
Ο θησαυρός των θεωρητικά σταθερών αλλά πειραματικά απραγματοποίητων -μέχρι σήμερα- συνδυασμών που εντοπίστηκαν χρησιμοποιώντας ένα εργαλείο τεχνητής νοημοσύνης γνωστό ως GNoME είναι πάνω από 45 φορές μεγαλύτερος από τον αριθμό τέτοιων ουσιών που ανακαλύφθηκαν στην ιστορία της επιστήμης, σύμφωνα με μια έκθεση που δημοσιεύτηκε στο περιοδικό Nature την Τετάρτη.
Οι ερευνητές σχεδιάζουν να διαθέσουν 381.000 από τις πιο υποσχόμενες δομές σε συναδέλφους επιστήμονες για να κατασκευάσουν και να δοκιμάσουν τη βιωσιμότητά τους σε πεδία από ηλιακά κύτταρα έως υπεραγωγούς. Το εγχείρημα υπογραμμίζει πώς η αξιοποίηση της τεχνητής νοημοσύνης μπορεί να συντομεύσει χρόνια πειραμάτων — και ενδεχομένως να προσφέρει βελτιωμένα προϊόντα και διαδικασίες.
«Η επιστήμη των υλικών για μένα είναι βασικά εκεί που η αφηρημένη σκέψη συναντά το φυσικό σύμπαν», σχολίασε ένας εκ των συντακτών της μελέτης, ο Ekin Dogus Cubuk: «Είναι δύσκολο να φανταστεί κανείς κάποια τεχνολογία που δεν θα βελτιωνόταν».
Όπως γράφουν οι Financial Times, η ομάδα του DeepMind εντόπισε νέα υλικά χρησιμοποιώντας μηχανική μάθηση για να δημιουργήσει πρώτα υποψήφιες δομές και στη συνέχεια να μετρήσει την πιθανή σταθερότητά τους. Ο αριθμός των ουσιών που βρέθηκαν ισοδυναμεί με σχεδόν 800 χρόνια προηγούμενης πειραματικά αποκτηθείσας γνώσης, υπολόγισε η DeepMind, με βάση 28.000 σταθερά υλικά που ανακαλύφθηκαν την τελευταία δεκαετία.
Δύο πιθανές εφαρμογές των νέων ενώσεων περιλαμβάνουν την εφεύρεση ευέλικτων υλικών με στρώματα και την ανάπτυξη νευρομορφικών υπολογιστών, που χρησιμοποιεί τσιπ για να αντικατοπτρίζει τις λειτουργίες του ανθρώπινου εγκεφάλου, είπε ο Cubuk.
Χρονοβόρα διαδικασία
Η ανακάλυψη και η σύνθεση νέων υλικών μπορεί να είναι μια δαπανηρή και χρονοβόρα διαδικασία. Για παράδειγμα, χρειάστηκαν περίπου δύο δεκαετίες έρευνας προτού διατεθούν στο εμπόριο οι μπαταρίες ιόντων λιθίου –που σήμερα χρησιμοποιούνται για να τροφοδοτούν τα πάντα, από τηλέφωνα και φορητούς υπολογιστές μέχρι ηλεκτρικά οχήματα.
«Ελπίζουμε ότι οι μεγάλες βελτιώσεις στα μοντέλα πειραματισμού, αυτόνομης σύνθεσης και μηχανικής μάθησης θα συντομεύσουν σημαντικά αυτό το χρονοδιάγραμμα 10 έως 20 ετών σε κάτι που είναι πολύ πιο διαχειρίσιμο», δήλωσε ο Ekin Dogus Cubuk, ερευνητής στο DeepMind.
Το AI του DeepMind εκπαιδεύτηκε σε δεδομένα από το Materials Project, μια διεθνή ερευνητική ομάδα που ιδρύθηκε στο Εθνικό Εργαστήριο Lawrence Berkeley το 2011.
Η εταιρεία είπε ότι θα μοιραστεί τώρα τα δεδομένα της με την ερευνητική κοινότητα, με την ελπίδα να επιταχύνει περαιτέρω ανακαλύψεις στην ανακάλυψη υλικού.
«Η βιομηχανία τείνει να είναι λίγο απεχθής όσον αφορά την αύξηση του κόστους και τα νέα υλικά συνήθως χρειάζονται λίγο χρόνο πριν γίνουν οικονομικά αποδοτικά», δήλωσε η Kristin Persson, διευθύντρια του Materials Project.
«Αν μπορούμε να το συρρικνώσουμε έστω και λίγο περισσότερο, θα θεωρηθεί πραγματική σημαντική ανακάλυψη».
