Maaaring Tumulong ang Pag-unlad ng Artificial Intelligence ng Google DeepMind sa Pagpapaunlad ng Battery at Chip

(SeaPRwire) –   Nagamit ng mga mananaliksik sa Google DeepMind ang artificial intelligence upang hulaan ang mga istraktura ng higit sa 2 milyong bagong mga materyales, sa isang pagdakila na maaaring makatulong sa malawak na sektor gaya ng renewable energy at computing.

DeepMind 381,000 sa 2.2 milyong crystal structures na hinulaan nito upang maging pinaka-estable.

Ang pagdakila ay nagpapataas ng bilang ng kilalang mga materyales na estable ng isang factor na sampu. Bagaman kailangan pa ring ma-synthesize at subukan ang mga materyales, hakbang na maaaring tumagal ng buwan o kahit taon, inaasahang pipilisan nito ang pagkakatuklas ng bagong mga materyales, na kakailanganin para sa mga aplikasyon gaya ng energy storage, solar cells, at superconductor chips.

“Habang mahalaga ang mga materyales sa halos anumang teknolohiya, tayo bilang sangkatauhan ay nakakaalam lamang ng ilang dekal na libu-libong materyales na estable,” ayon kay Ekin Dogus Cubuk, isang Staff Research Scientist sa Google Brain, na kasali sa pagbuo ng AI tool ng DeepMind na kilala bilang Graph Networks for Materials Exploration (GNoME). Mas kaunti pa ang bilang kapag pinag-iisipan ang aling mga materyales ay angkop para sa tiyak na teknolohiya, ayon kay Cubuk sa pagpapaliwanag sa mga mamamahayag noong Nobyembre 28. “Sabihin na gusto mong makahanap ng bagong solid electrolyte para sa mas magandang baterya. Ang mga electrolytes na ito ay dapat maging mabuti sa pagkondukt ng ion pero hindi sa electron, at hindi dapat nakakalason, hindi dapat radyoaktibo. Kapag inilapat mo ang lahat ng mga filter na ito, lumalabas na tayo ay may ilang opsyon lamang na maaaring gamitin, na hindi talaga nakakapag-rebolusyon sa ating mga baterya.”

Lamang ang ilang kombinasyon ng mga elemento ang magre-react upang bumuo ng mga estableng solido—kung hindi sapat ang mga pagkakawing sa pagitan ng mga atom na bumubuo, ang solido ay magkakaroon ng pagkabulok ng walang dahilan. Karaniwan, ang bagong mga materyales na estable ay natutuklasan sa pamamagitan ng trial at error sa paggawa ng pagbabago sa mga kilalang materyales o sa pamamagitan ng paghalo ng mga elemento ayon sa mga prinsipyo mula sa larangan ng solid state chemistry. Ang proseso ay madalas na mahal at maaaring tumagal ng buwan—ang pag-eksperimento ng tao ay nagbigay ng mga istraktura ng 20,000 materyales na estable sa kabuoan.

Ginawa ang mga pagtatangka upang ma-compute ang bagong mga materyales sa nakaraan, lalo na ng Materials Project, isang pananaliksik na multi-bansa na itinatag ni Kristin Persson sa Lawrence Berkeley National Laboratory. Hanggang ngayon ay nagbigay ito ng karagdagang 28,000 materyales na estable.

Ang GNoME ay natreyn gamit ang datos sa mga istraktura ng materyales at kanilang katatagan mula sa Materials Project. Pagkatapos, hiniling ng mga mananaliksik sa GNoME na magsugnay ng bagong mga istraktura na maaaring maging estable ayon sa modelo nito. Ginamit ang mga itinatag na computational techniques upang mas tumpak na suriin ang katatagan ng mga materyales na nilikha ng GNoME. Ipinasa muli sa GNoME ang mataas na kalidad na datos upang mapataas ang kanyang pagtatantiya sa katatagan.

Ang Google DeepMind ay kinuha ang 381,000 materyales na pinakamalamang maging estable mula sa kabuuang 2.2 milyong malamang na estableng materyales at idinagdag ito sa ISCD—nagpapataas ng bilang ng kilalang materyales na hinulaang estable ng sampung beses. Upang subukang patunayan kung ang mga materyales na hinulaan ng GNoME bilang estable ay tunay nga, nagkaisa ang Google DeepMind sa mga pananaliksik na taga-labas na matagumpay na nagsintesis ng 736 sa kanila.

Kabilang sa 381,000 materyales ang 528 potensyal na lithium ion conductors na maaaring gamitin sa mga baterya, at 52,000 bagong layered compounds na may katulad na istraktura sa graphene, nagbubukas ng posibilidad na ilang sa mga ito ay maaaring maging basehan para sa bagong superconducting materials. “Naniniwala kami na ilang sa mga ito ay gagawin sa laboratoryo, na maaaring magdulot ng napakahusay na mga aplikasyon,” ayon kay Cubuk.

Ang paghula kung ang isang istraktura ng kristal ay malamang na maging estable ay nagbibigay ng mas maraming target sa mga siyentipiko ng materyales. Ngunit iyon pa rin ay nangangahulugan ng maraming oras upang ma-synthesize ang materyal, subukan kung ito ay nagpapakita ng kapaki-pakinabang na mga katangian gaya ng konduktibidad, at lumikha ng mas malaking pagkakataon para sa synthesize.

Ang mga mananaliksik sa Lawrence Berkeley National Laboratory ay nagtatrabaho upang mapabilis ang hakbang ng synthesize. Ang , isang awtomatikong sistema ng synthesize ng materyales, ay nagtrabaho ng 24 na oras bawat araw, 7 na araw sa isang linggo sa loob ng 17 na araw upang subukang ma-synthesize ang 58 na hinulaang materyales ng GNoME, na nagtagumpay sa 41 kaso. Karaniwan, maaaring tumagal ng anim na buwan o kahit taon bago ma-synthesize ang isang materyal, ayon kay Cubuk.

“Ito ang hinaharap—upang disenyuhan ang mga materyales nang awtonomo gamit ang mga computer, ngunit pati na rin upang gawin sila nang awtonomo gamit ang mga robotic na laboratoryo at matutunan mula sa proseso,” ayon kay Persson sa pagpapaliwanag.

Bukod sa tumpak na paghula kung ang isang materyal ay magiging estable, maaari ring hulagin ng GNoME kung ito ay magiging mahusay na ionic conductor—isang mahalagang katangian para sa mga baterya. Optimistic ang mga mananaliksik sa Google DeepMind na maaaring hulagin ng mga susunod na tool ng AI ang iba pang kapaki-pakinabang na mga katangian. “Ang mga modelo ng machine learning, kapag natreyn sa maraming datos, tunay na natututunan ang interesanteng mga aspeto ng quantum mechanics, at nagagamit sa paghula tungkol sa mga bagay na hindi sila natreyn, ” ayon kay Cubuk. “Na nagbibigay sa amin ng malaking kasiyahan sa aming susunod na mga hamon, gaya ng paghula sa synthesizability.”

Ang pagunlad ng GNoME ay lamang ang pinakabagong galing ng Google DeepMind, na dating nagprodukto ng protein-folding predicting AlphaFold, genetic disease screening tool , at weather-forecasting .

“Kung iisipin ninyo ang problema ng paghula ng istraktura ng protina at kung iisipin ninyo ang katatagan ng materyal, pareho silang mga problema sa ugat, [na] naniniwala kami na nagbubukas ng maraming iba pang mga aplikasyon na nasa labas ng mga problema mismo,” ayon kay , na humahawak sa team ng AI for Science ng Google DeepMind. “Ang partikular na problema na ito ay may malaking implikasyon para sa maraming problema na totoong pinag-aalala ng lipunan ngayon.”

Ang artikulo ay ibinigay ng third-party content provider. Walang garantiya o representasyon na ibinigay ng SeaPRwire (https://www.seaprwire.com/) kaugnay nito.

Mga Sektor: Pangunahing Isturya, Balita Araw-araw

Nagde-deliver ang SeaPRwire ng sirkulasyon ng pahayag sa presyo sa real-time para sa mga korporasyon at institusyon, na umabot sa higit sa 6,500 media stores, 86,000 editors at mamamahayag, at 3.5 milyong propesyunal na desktop sa 90 bansa. Sinusuportahan ng SeaPRwire ang pagpapamahagi ng pahayag sa presyo sa Ingles, Korean, Hapon, Arabic, Pinasimpleng Intsik, Tradisyunal na Intsik, Vietnamese, Thai, Indones, Malay, Aleman, Ruso, Pranses, Kastila, Portuges at iba pang mga wika.