Science >> Wetenschap >  >> Chemie

Google DeepMind voegt bijna 400.000 nieuwe verbindingen toe aan de open-access database

Het Materials Project in Berkeley Lab geeft onderzoekers toegang tot cruciale informatie over diverse materialen. Deze afbeelding toont de structuren van 12 verbindingen in de Materials Project-database. Credit:Jenny Nuss/Berkeley Lab

Nieuwe technologie vraagt ​​vaak om nieuwe materialen – en met supercomputers en simulaties hoeven onderzoekers niet door inefficiënt giswerk te waden om ze helemaal opnieuw uit te vinden.



Het Materials Project, een open-access database die in 2011 werd opgericht door het Lawrence Berkeley National Laboratory (Berkeley Lab) van het Department of Energy, berekent de eigenschappen van zowel bekende als voorspelde materialen. Onderzoekers kunnen zich richten op veelbelovende materialen voor toekomstige technologieën – denk aan lichtere legeringen die het brandstofverbruik van auto's verbeteren, efficiëntere zonnecellen om hernieuwbare energie te stimuleren, of snellere transistors voor de volgende generatie computers.

Nu draagt ​​Google DeepMind, het kunstmatige-intelligentielaboratorium van Google, bijna 400.000 nieuwe verbindingen bij aan het Materials Project, waardoor de hoeveelheid informatie waaruit onderzoekers kunnen putten wordt vergroot. De dataset bevat onder meer hoe de atomen van een materiaal zijn gerangschikt (de kristalstructuur) en hoe stabiel het is (formatie-energie).

"We moeten nieuwe materialen creëren als we de mondiale milieu- en klimaatuitdagingen willen aanpakken", zegt Kristin Persson, oprichter en directeur van het Materials Project bij Berkeley Lab en professor aan UC Berkeley. "Met innovatie op het gebied van materialen kunnen we onder meer recyclebare kunststoffen ontwikkelen, afvalenergie benutten, betere batterijen maken en goedkopere zonnepanelen bouwen die langer meegaan."

Het Materials Project kan visualiseer de atomaire structuur van materialen. Deze verbinding (Ba₆Nb₇O₂₁) is een van de nieuwe materialen berekend door GNoME. Het bevat barium (blauw), niobium (wit) en zuurstof (groen). Credit:Materialenproject/Berkeley Lab

Om de nieuwe gegevens te genereren heeft Google DeepMind een deep learning-tool ontwikkeld, genaamd Graph Networks for Materials Exploration, of GNoME. Onderzoekers hebben GNoME getraind met behulp van workflows en gegevens die in de afgelopen tien jaar zijn ontwikkeld door het Materials Project, en hebben het GNoME-algoritme verbeterd door middel van actief leren.

GNoME-onderzoekers produceerden uiteindelijk 2,2 miljoen kristalstructuren, waaronder 380.000 die ze toevoegen aan het Materials Project en waarvan ze voorspellen dat ze stabiel zijn, waardoor ze potentieel bruikbaar zijn in toekomstige technologieën. De nieuwe resultaten van Google DeepMind zijn gepubliceerd in het tijdschrift Nature .

Sommige berekeningen van GNoME werden samen met gegevens van het Materials Project gebruikt om A-Lab te testen, een faciliteit in Berkeley Lab waar kunstmatige intelligentie robots begeleidt bij het maken van nieuwe materialen. Het eerste artikel van A-Lab, ook gepubliceerd in Nature , toonde aan dat het autonome laboratorium snel nieuwe materialen kan ontdekken met minimale menselijke inbreng.

Gedurende zeventien dagen onafhankelijk opereren produceerde A-Lab met succes 41 nieuwe verbindingen uit een poging van 58 – een snelheid van meer dan twee nieuwe materialen per dag. Ter vergelijking:het kan een menselijke onderzoeker maanden van giswerk en experimenteren kosten om nieuw materiaal te creëren, als hij ooit het gewenste materiaal bereikt.

Om de door het Materials Project voorspelde nieuwe verbindingen te maken, creëerde de AI van A-Lab nieuwe recepten door wetenschappelijke artikelen te doorzoeken en actief leren te gebruiken om aanpassingen aan te brengen. Gegevens van het Materials Project en GNoME werden gebruikt om de voorspelde stabiliteit van de materialen te evalueren.

Veel van de berekeningen voor het Materials Project worden uitgevoerd op supercomputers in het National Energy Research Scientific Computing Center van Berkeley Lab. Credit:Thor Swift/Berkeley Lab

"We hadden een verbluffend succespercentage van 71% en we hebben al een paar manieren om dit te verbeteren", zegt Gerd Ceder, hoofdonderzoeker van A-Lab en wetenschapper bij Berkeley Lab en UC Berkeley. "We hebben laten zien dat het combineren van de theorie- en datakant met automatisering ongelooflijke resultaten oplevert. We kunnen materialen sneller dan ooit tevoren maken en testen, en het toevoegen van meer datapunten aan het Materials Project betekent dat we nog slimmere keuzes kunnen maken."

Het Materials Project is de meest gebruikte open-access opslagplaats van informatie over anorganische materialen ter wereld. De database bevat miljoenen eigenschappen van honderdduizenden structuren en moleculen, informatie die voornamelijk wordt verwerkt door het National Energy Research Science Computing Center van Berkeley Lab.

Meer dan 400.000 mensen zijn geregistreerd als gebruikers van de site en gemiddeld worden er elke dag meer dan vier artikelen gepubliceerd waarin het Materials Project wordt aangehaald. De bijdrage van Google DeepMind is de grootste toevoeging aan structuurstabiliteitsgegevens van een groep sinds de start van het Materials Project.

Deze timelapse van één minuut laat zien hoe mensen over de hele wereld het Materials Project gedurende vier uur gebruiken. Het datadashboard toont een voortschrijdend venster van één uur met wereldwijde Materials Project-activiteiten, inclusief het aantal verzoeken, het land van gebruikers en de meest gevraagde materiaaleigenschappen. Credit:Patrick Huck/Berkeley Lab

"We hopen dat het GNoME-project het onderzoek naar anorganische kristallen zal bevorderen", zegt Ekin Dogus Cubuk, hoofd van het Materials Discovery-team van Google DeepMind. "Externe onderzoekers hebben al meer dan 736 nieuwe materialen van GNoME geverifieerd door middel van gelijktijdige, onafhankelijke fysieke experimenten, wat aantoont dat de ontdekkingen van ons model in laboratoria kunnen worden gerealiseerd."

Het Materials Project verwerkt nu de verbindingen van Google DeepMind en voegt ze toe aan de online database. De nieuwe gegevens zullen gratis beschikbaar zijn voor onderzoekers en zullen ook worden gebruikt voor projecten zoals A-Lab, dat samenwerkt met het Materials Project.

Robots geleid door kunstmatige intelligentie creëerden meer dan 40 nieuwe materialen voorspeld door het Materials Project. Gegevens van GNoME werden gebruikt als extra controle of de voorspelde materialen stabiel zouden zijn. Credit:Marilyn Sargent/Berkeley Lab

"Ik ben erg enthousiast dat mensen het werk dat we hebben gedaan gebruiken om een ​​ongekende hoeveelheid materiaalinformatie te produceren", zegt Persson, tevens directeur van de Molecular Foundry van Berkeley Lab.

"Dit is wat ik wilde doen met het Materials Project:niet alleen de gegevens die ik heb geproduceerd gratis en beschikbaar maken om het materiaalontwerp voor de wereld te versnellen, maar ook om de wereld te leren wat berekeningen voor je kunnen doen. Ze kunnen scannen grote ruimtes voor nieuwe verbindingen en eigenschappen efficiënter en sneller dan experimenten alleen kunnen."

Door veelbelovende aanwijzingen uit de gegevens van het Materials Project van het afgelopen decennium te volgen, hebben onderzoekers op verschillende gebieden experimenteel nuttige eigenschappen van nieuwe materialen bevestigd. Sommige vertonen potentieel voor gebruik:

  • bij het afvangen van koolstof (koolstofdioxide uit de atmosfeer halen)
  • als fotokatalysatoren (materialen die chemische reacties als reactie op licht versnellen en kunnen worden gebruikt om verontreinigende stoffen af ​​te breken of waterstof te genereren)
  • als thermo-elektrische materialen (materialen die kunnen helpen afvalwarmte te benutten en deze om te zetten in elektrische energie)
  • als transparante geleiders (wat handig kan zijn in zonnecellen, aanraakschermen of LED's)

Natuurlijk is het vinden van deze toekomstige materialen slechts één van de vele stappen om enkele van de grote technologische uitdagingen van de mensheid op te lossen.

"Het maken van een materiaal is niet voor bangeriken", zei Persson. "Het duurt lang om een ​​materiaal van berekening naar commercialisering te brengen. Het moet de juiste eigenschappen hebben, binnen apparaten werken, kunnen schalen en de juiste kostenefficiëntie en prestaties hebben. Het doel van het Materials Project en faciliteiten zoals A-Lab is bedoeld om data te benutten, datagestuurde verkenning mogelijk te maken en bedrijven uiteindelijk meer haalbare kansen te geven."

Meer informatie: Gerbrand Ceder, Een autonoom laboratorium voor de versnelde synthese van nieuwe materialen, Natuur (2023). DOI:10.1038/s41586-023-06734-w. www.nature.com/articles/s41586-023-06734-w

Amil Merchant et al., Deep learning opschalen voor het ontdekken van materialen, Natuur (2023). DOI:10.1038/s41586-023-06735-9, www.nature.com/articles/s41586-023-06735-9

Journaalinformatie: Natuur

Geleverd door Lawrence Berkeley National Laboratory