Recherche
L'outil d'IA GNoME découvre 2,2 millions de nouveaux cristaux, dont 380 000 matériaux stables qui pourraient alimenter les technologies futures
Les technologies modernes, des puces informatiques et batteries aux panneaux solaires, reposent sur des cristaux inorganiques. Pour permettre de nouvelles technologies, les cristaux doivent être stables, sinon ils peuvent se décomposer, et derrière chaque nouveau cristal stable, il peut y avoir des mois d'expérimentation minutieuse.
Aujourd'hui, dans un article publié dans Nature, nous partageons la découverte de 2,2 millions de nouveaux cristaux – l'équivalent de près de 800 ans de connaissances. Nous présentons Graph Networks for Materials Exploration (GNoME), notre nouvel outil d'apprentissage en profondeur qui augmente considérablement la vitesse et l'efficacité de la découverte en prédisant la stabilité de nouveaux matériaux.
Avec GNoME, nous avons multiplié le nombre de matériaux technologiquement viables connus de l'humanité. Parmi ses 2,2 millions de prédictions, 380 000 sont les plus stables, ce qui en fait des candidats prometteurs pour la synthèse expérimentale. Parmi ces candidats figurent des matériaux qui ont le potentiel de développer de futures technologies de transformation, allant des supraconducteurs à l'alimentation des superordinateurs en passant par les batteries de nouvelle génération pour améliorer l'efficacité des véhicules électriques.
GNoME montre le potentiel de l'utilisation de l'IA pour découvrir et développer de nouveaux matériaux à grande échelle. Des chercheurs externes dans des laboratoires du monde entier ont créé indépendamment 736 de ces nouvelles structures de manière expérimentale dans le cadre de travaux simultanés. En partenariat avec Google DeepMind, une équipe de chercheurs du Lawrence Berkeley National Laboratory a également publié un deuxième article en Nature cela montre comment nos prédictions d’IA peuvent être exploitées pour la synthèse autonome de matériaux.
Nous avons fait Les prédictions de GNoME disponibles à la communauté des chercheurs. Nous apporterons 380 000 matériaux que nous prévoyons stables au Materials Project, qui traite actuellement les composés et les ajoute dans sa base de données en ligne. Nous espérons que ces ressources feront progresser la recherche sur les cristaux inorganiques et libéreront la promesse des outils d'apprentissage automatique comme guides d'expérimentation.
Accélérer la découverte de matériaux grâce à l'IA
Environ 20 000 des cristaux identifiés expérimentalement dans la base de données ICSD sont stables sur le plan informatique. Des approches informatiques tirées du Materials Project, de la base de données Open Quantum Materials et de la base de données WBM ont porté ce nombre à 48 000 cristaux stables. GNoME porte à 421 000 le nombre de matériaux stables connus de l'humanité.
Dans le passé, les scientifiques recherchaient de nouvelles structures cristallines en modifiant des cristaux connus ou en expérimentant de nouvelles combinaisons d'éléments – un processus coûteux d'essais et d'erreurs qui pouvait prendre des mois pour produire des résultats, même limités. Au cours de la dernière décennie, les approches informatiques menées par le projet Matériaux et d'autres groupes ont contribué à la découverte de 28 000 nouveaux matériaux. Mais jusqu’à présent, les nouvelles approches guidées par l’IA se heurtaient à une limite fondamentale dans leur capacité à prédire avec précision les matériaux qui pourraient être expérimentalement viables. La découverte par GNoME de 2,2 millions de matériaux équivaudrait à environ 800 ans de connaissances et démontre une ampleur et un niveau de précision sans précédent dans les prévisions.
Par exemple, 52 000 nouveaux composés en couches similaires au graphène qui ont le potentiel de révolutionner l’électronique avec le développement des supraconducteurs. Auparavant, environ 1 000 de ces matériaux ont été identifiés. Nous avons également trouvé 528 conducteurs potentiels d'ions lithium, soit 25 fois plus qu'un étude précédentequi pourrait être utilisé pour améliorer les performances des batteries rechargeables.
Nous publions les structures prévues pour 380 000 matériaux qui ont les plus grandes chances d’être fabriqués avec succès en laboratoire et d’être utilisés dans des applications viables. Pour qu’un matériau soit considéré comme stable, il ne doit pas se décomposer en compositions similaires ayant une énergie inférieure. Par exemple, le carbone dans une structure semblable au graphène est stable par rapport au carbone dans les diamants. Mathématiquement, ces matériaux reposent sur la coque convexe. Ce projet a permis de découvrir 2,2 millions de nouveaux cristaux stables selon les normes scientifiques actuelles et situés sous l'enveloppe convexe des découvertes précédentes. Parmi ceux-ci, 380 000 sont considérés comme les plus stables et reposent sur la coque convexe « finale » – la nouvelle norme que nous avons fixée en matière de stabilité des matériaux.
GNoME : exploiter les réseaux de graphes pour l'exploration des matériaux
GNoME utilise deux pipelines pour découvrir des matériaux à faible énergie (stables). Le pipeline structurel crée des candidats avec des structures similaires aux cristaux connus, tandis que le pipeline compositionnel suit une approche plus aléatoire basée sur des formules chimiques. Les résultats des deux pipelines sont évalués à l’aide de calculs établis de la théorie fonctionnelle de la densité et ces résultats sont ajoutés à la base de données GNoME, éclairant ainsi le prochain cycle d’apprentissage actif.
GNoME est un modèle de réseau neuronal graphique (GNN) de pointe. Les données d’entrée des GNN prennent la forme d’un graphique qui peut être assimilé à des connexions entre atomes, ce qui rend les GNN particulièrement adaptés à la découverte de nouveaux matériaux cristallins.
GNoME a été initialement formé avec des données sur les structures cristallines et leur stabilité, librement disponibles via le projet Matériaux. Nous avons utilisé GNoME pour générer de nouveaux cristaux candidats et également pour prédire leur stabilité. Pour évaluer le pouvoir prédictif de notre modèle au cours des cycles d'entraînement progressifs, nous avons vérifié à plusieurs reprises ses performances à l'aide de techniques informatiques établies connues sous le nom de théorie fonctionnelle de la densité (DFT), utilisées en physique, en chimie et en science des matériaux pour comprendre les structures des atomes, ce qui est important pour évaluer la stabilité. de cristaux.
Nous avons utilisé un processus de formation appelé « apprentissage actif » qui a considérablement amélioré les performances de GNoME. GNoME générerait des prédictions sur les structures de nouveaux cristaux stables, qui seraient ensuite testées à l'aide de DFT. Les données de formation de haute qualité résultantes ont ensuite été réinjectées dans notre formation de modèle.
Nos recherches ont augmenté le taux de découverte de prédictions de stabilité des matériaux d'environ 50 % à 80 % – sur la base de Découverte de MatBench, une référence externe établie par les modèles de pointe précédents. Nous avons également réussi à augmenter l'efficacité de notre modèle en améliorant le taux de découverte de moins de 10 % à plus de 80 %. De telles augmentations d'efficacité pourraient avoir un impact significatif sur la quantité de calcul requise par découverte.
« Recettes » d'IA pour de nouveaux matériaux
Le projet GNoME vise à réduire le coût de la découverte de nouveaux matériaux. Des chercheurs externes ont créé indépendamment 736 des nouveaux matériaux de GNoME en laboratoire, démontrant que les prédictions de cristaux stables de notre modèle reflètent fidèlement la réalité. Nous avons publié notre base de données de cristaux nouvellement découverts à la communauté des chercheurs. En fournissant aux scientifiques le catalogue complet des « recettes » prometteuses pour les nouveaux matériaux candidats, nous espérons que cela les aidera à tester et potentiellement à fabriquer les meilleurs.
À la fin de nos derniers efforts de découverte, nous avons effectué des recherches dans la littérature scientifique et découvert que 736 de nos découvertes informatiques avaient été réalisées de manière indépendante par des équipes externes à travers le monde. Vous trouverez ci-dessus six exemples allant d’un matériau optique de type diamant alcalino-terreux (Li4MgGe2S7), premier du genre, à un supraconducteur potentiel (Mo5GeB2).
Le développement rapide de nouvelles technologies basées sur ces cristaux dépendra de la capacité à les fabriquer. Dans un article dirigé par nos collaborateurs du Berkeley Lab, les chercheurs ont montré qu’un laboratoire robotique pouvait rapidement fabriquer de nouveaux matériaux grâce à des techniques de synthèse automatisées. En utilisant les matériaux du projet Materials et les connaissances sur la stabilité de GNoME, le laboratoire autonome a créé de nouvelles recettes pour les structures cristallines et synthétisé avec succès plus de 41 nouveaux matériaux, ouvrant ainsi de nouvelles possibilités pour la synthèse de matériaux pilotée par l'IA.
A-Lab, une installation du Berkeley Lab où l'intelligence artificielle guide les robots dans la fabrication de nouveaux matériaux. Crédit photo : Marilyn Sargent/Berkeley Lab
Nouveaux matériaux pour nouvelles technologies
Pour construire un avenir plus durable, nous avons besoin de nouveaux matériaux. GNoME a découvert 380 000 cristaux stables susceptibles de développer des technologies plus vertes – depuis de meilleures batteries pour voitures électriques jusqu'aux supraconducteurs pour une informatique plus efficace.
Nos recherches – ainsi que celles de nos collaborateurs du Berkeley Lab, de Google Research et d’équipes du monde entier – montrent le potentiel de l’utilisation de l’IA pour guider la découverte, l’expérimentation et la synthèse de matériaux. Nous espérons que GNoME, associé à d’autres outils d’IA, pourra contribuer à révolutionner la découverte des matériaux aujourd’hui et à façonner l’avenir de ce domaine.
