新技术往往需要新材料——而通过超级计算机和模拟,研究人员不必通过低效的猜测来从头开始研究
2011年,能源部法律伯克利国家实验室(伯克利实验室)创建了一个开放式数据库“材料项目”,该项目计算了一些已知和预测材料的性质研究人员可以专注于为未来技术改进材料——想想更轻的合金,它可以提高汽车的燃油经济性,更有效地提高可再生能源,或者为下一代计算机提供更快的晶体管
现在,谷歌的人工智能实验室GoogleDeepMind正在为材料项目提供40万个新的基础设施,扩大了信息研究人员和绘图人员的数量数据表包括材料区域排列的形状(晶体结构)和表观(形成能)
“我们必须创造新的材料来应对全球环境和气候的挑战,”伯克利实验室材料项目创始人兼主任Kristin Persson说“通过材料的创新,我们有可能开发可回收塑料,减少浪费能源,制造更好的电池,并建造更便宜、更耐用的太阳能电池板。”为了生成新数据,GoogleDeepMind开发了一种深度学习工具,称为GraphNetworksforMaterialsExploration或GNoME研究人员使用Materials Project几十年来开发的工作流和数据对GNoME进行了训练,并通过主动学习改进了GNoME算法GNoME研究人员最终产生了2200万个晶体结构,包括38万个它们被添加到材料项目中并可预测,使其在未来的技术中可能有用谷歌DeepMind的最新研究结果今天发表在《自然》杂志上
GNoME的一些计算与材料项目的数据一起被用于测试实验室,这是一个人工智能指南用于测试新材料的实验室A-Lab的第一篇论文也发表在今天的《自然》杂志上,该论文表明,自动化实验室可以用最少的人力投入快速发现新材料
在独立操作的17天里,A-Lab成功地生产了41种新的复合材料58——每天生产两种以上的新材料为了进行比较,如果这些材料符合要求,则需要大量的研究人员、数月的猜测和实验来创造一种新材料
鉴于材料项目提出的材料成分,A-Lab's AI通过结合科学论文和使用主动学习进行调整,创建了新的配方材料项目和GNoME的数据用于评估材料的可预测性
“我们的成功率高达71%,而且我们有足够的时间来改进它,”加州大学伯克利分校的首席研究员GerdCeder说“我们已经证明,将理论和数据端与自动化相结合会带来越来越大的结果。我们可以在之前的基础上制作和测试材料,并在材料项目中添加更多的数据点,这意味着我们可以做出更明智的选择。”
材料投影是世界上最容易打开的有机材料信息存储库该数据库包含了数百个外壳的性质、结构和分子,这些信息主要由伯克利实验室的国家能源研究科学计算中心处理超过400000人注册了网站,平均每天发布的材料项目论文超过四篇自材料项目开始以来,谷歌DeepMind的贡献是对结构稳定性数据组的巨大贡献
“我们希望GNoME项目将推动对无机晶体的研究,”GoggleDeepMind的材料发现团队负责人EkinDogusCubuk说“外部研究人员已经通过并行、独立的物理实验验证了超过736种GNOME的新材料,证明我们模型的发现可以在实验室中实现。”
物料计划将处理来自GoogleDeepMind的物料并将其添加到联机数据库中新数据将免费提供给研究人员,并提供给与材料项目合作的实验室等项目
“我非常高兴人们正在使用我们的工作视频来制造前所未有的大量材料,”同时也是伯克利实验室Molecular Foundry主任的Persson说“这就是我对材料项目的看法:不仅要为世界设计我生产的免费和可用的加速材料的数据,还要为世界设计计算和计算。这将为新的化合物和性能提供更大的空间,并通过必要的实验提高效率。”
通过遵循过去十年中材料项目中的数据,研究人员已经通过实验证实了新材料中的某些硫化物性质是不可忽视的某种潜在的病毒:
当然,找到不同的透视材料只是解决人类面临的一些重大技术挑战的众多步骤之一
佩尔森说:“制造材料不是为了制造耳机。”“材料从计算到商业化需要很长的时间。它必须具有良好的特性,在设备中工作,能够扩展,并具有良好的性价比和性能。材料项目和设施的目标是收集数据,实现数据驱动下一步部署,并最终实现公司可审查的拍摄目标。”
来源:
Materials provided by
DOE/Lawrence Berkeley National Laboratory. Original written by Lauren Biron.
注明: Content may be edited for style and length.
参考:
2024-01-20
2024-01-20
2024-01-20
2024-01-20
2024-01-20