Искусственный интеллект, созданный компанией Google DeepMind, может произвести революцию в материаловедении, открыв новые способы создания более совершенных аккумуляторов, солнечных батарей, компьютерных чипов и многих других жизненно важных технологий.

"Когда кто-то хочет усовершенствовать свою технологию, это неизбежно влечет за собой улучшение материалов, – говорит Экин Догус Кубук (Ekin Dogus Cubuk) из DeepMind. – Мы просто хотели, чтобы у них было больше возможностей".

ИИ-модель под названием Graph Networks for Materials Exploration, или GNoME, предназначена для определения потенциальных показателей неорганических кристаллических структур, которые представляют собой повторяющееся расположение атомов, придающее материалам определенные свойства – например, шестикратная симметрия снежинки является результатом кристаллической структуры льда.

Органические кристаллы, включающие углеродно-водородные связи, хорошо изучены благодаря многочисленным примерам в биологических системах, но до сих пор мы знали только о 48 тыс. возможных неорганических кристаллов. GNoME значительно расширил эту цифру до более чем 2 млн, и хотя некоторые из этих новых структур могут распадаться на более стабильные формы или их вообще невозможно создать, более 700 из них уже были получены в лабораторных условиях.

GNoME – это графовая нейронная сеть, разновидность искусственного интеллекта, способная изучать взаимосвязи между объектами, такими как атомы и их химические связи. Кубук и его команда обучили GNoME на существующей базе данных известных неорганических кристаллов и использовали ее для генерации новых возможных кристаллов, меняя элементы или изменяя симметрию известных кристаллов. Программа также прогнозировала энергию новых кристаллов, что является показателем их стабильности.

Исследователи использовали моделирование с помощью квантовой механики для оценки точности этих прогнозов энергии, а затем повторно использовали эти результаты для предсказания структуры в GNoME, в общей сложности проведя шесть раундов. "Мы увидели, что с каждым раундом прогнозы модели становились все лучше и лучше для обобщения данных по новым стабильным кристаллам", – говорит Кубук.

Из 2,2 млн предсказаний 400 тыс. кристаллов находились в наиболее стабильной форме, без возможности использования более низкоэнергетических форм. Однако некоторые менее стабильные кристаллы все же могут быть полезны – они известны как метастабильные кристаллы. Одним из примеров является алмаз, метастабильная форма углерода.

Просканировав научную литературу, опубликованную после создания GNoME, и убедившись, что все найденные результаты не присутствуют в обучающих данных, команда обнаружила, что GNoME предсказал более 700 кристаллов, которые впоследствии были получены другими исследователями. Среди них – алмазоподобный кристалл лития и магния, который можно использовать в мощных лазерах, и низкотемпературный молибденовый сверхпроводник.

Компания DeepMind поделилась своими предсказаниями с Яном Зенгом (Yan Zeng) из Национальной лаборатории Лоуренса Беркли в Калифорнии и его коллегами, которые разрабатывают роботизированную лабораторию, способную автономно синтезировать кристаллы. Команда из Беркли независимо предсказала 58 кристаллических структур, из которых автоматизированная лаборатория смогла создать 41. По словам Кубука, поскольку модель GNoME также предсказала эти структуры, такая внешняя проверка говорит о том, что точность ее предсказаний составляет не менее 70%.

Теперь исследователи сделали весь набор данных о спрогнозированных кристаллических структурах доступным для других. "Это ускорит открытие новых материалов, – говорит Грэм Дэй (Graeme Day) из Саутгемптонского университета (Великобритания). – Это очень важно – по сравнению с тем, что в этих базах данных было раньше, вы можете увеличить масштаб на порядок".

По словам Кубука, эти материалы могут включать в себя такие особенности, как улучшенные сплавы для автомобилей, повышенная плотность энергии для твердотельных батарей и более эффективный сбор энергии для солнечных панелей.

Энди Купер (Andy Cooper) из Ливерпульского университета (Великобритания) также говорит, что это ускорит процесс открытия новых материалов, но знание свойств материала, таких как его проводимость или способность накапливать энергию, тоже важно. "Расчеты свойств, как правило, довольно дороги, – говорит Купер. – Вы знаете, что структура может существовать, но если вы не знаете, что она делает, то неясно, стоит ли ее создавать или нет".

Пока что лучший способ понять свойства материала – это синтезировать его, что является основным проблемным моментом в химии, даже с помощью роботизированных лабораторий, подобных тем, что использовали Цзэн и ее команда. "Возможности мира по прогнозированию и расчетам, а также по машинному обучению для дальнейшей экстраполяции развиваются быстрее, чем возможности роботов по поиску материалов", – говорит Купер.

Алекс Уилкинс