W piśmie Nature 29 listopada ukazał się opis eksperymentu z użyciem sztucznej inteligencji, która stała się fundamentem automatycznego laboratorium naukowego, odkrywającego nowe materiały nieorganiczne i testującego je. Laboratorium działa na amerykańskim uniwersytecie Berkeley w cyklu zamkniętym – bez ludzi.

Przez 17 dni ciągłej, zautomatyzowanej pracy, A-Lab stworzył 41 nowych kryształów z listy 58 zaplanowanych celów. Wśród nich znalazły się różne tlenki i fosforany, które są typami nieorganicznych związków. Cele eksperymentu te zostały wybrane na podstawie danych o stabilności związków, z dużych baz danych i projektów takich jak Materials Project i Google DeepMind. Poniżej wideo z Berkeley. Ramię robota m.in wybiera materiały, podaje do podgrzania, podaje to testu.

Używając 33 pierwiastków system stworzył 41 nowych typów materiałów. Jednocześnie w 17 przypadkach klasyfikowanych jako porażka, przyczynami niepowodzenia były łatwe do skorygowania błędy obliczeniowe lub laboratoryjne.

W przypadku A-Lab z Berkeley tworzone były nieorganiczne proszki, które są trudniejszym materiałem niż ciecze, gdy chodzi o sposób ich łączenia. W przypadku proszków istotne są też parametry mielenia, ściskania, temperatura łączenia. Można to porównać do zaawansowanej wersji pieczenia, gdzie mieszasz różne składniki i pieczesz je, aby stworzyć nowy produkt.

Sztuczna inteligencja w teorii stworzyła do tej pory ponad 2 miliony nowych materiałów, przewidując ich właściwości. Większość jest jednak niestabilna, czyli ulega łatwemu, szybkiemu rozpadowi i zmienia właściwości. Jednak wzrost liczby tych stabilnych, czyli potencjalnie bardziej wartościowych, również jest imponujący – wzrost prawie x10, do liczby ok 420 tysięcy! To dane z projektu GNoME (Graphical Networks for Material Exploration), prowadzonego przez firmę Deep Mind, należącą do Google. Z tego ok. 700 zostało wyprodukowanych przez różne zespoły badawcze. Upowszechnienie skutecznie działających laboratoriów autonomicznych pozwoliłoby na masowe testowanie takich nowych, wynalezionych przez AI materiałów.

Na świecie od jakiegoś czasu trwają próby stworzenia automatycznych, autonomicznych (bez ludzi) laboratoriów naukowych, które mogłyby prowadzić eksperymenty i badania. Podobny eksperyment trwa na szwedzkim uniwersytecie Chalmers. Laboratorium bioinformatyczne testuje możliwość używania sztucznej inteligencji oraz robotów do eksperymentów genetycznych na drożdżach.

Mózgiem takich autonomicznych laboratoriów przeważnie jest sieć neuronowa typu GNN (grafowa sieć neuronowa). Co to za typ sztucznej inteligencji i jak działa?

1. GNN lepiej niż inny typ sieci przeliczają informacje opisujące relacje: Na przykład, w strukturze cząsteczki leku lub kryształu, ważne są nie tylko poszczególne atomy, ale również sposób, w jaki są one ze sobą połączone.
2. Przetwarzanie Grafów: GNN działają na grafach, które są strukturami danych składającymi się z węzłów (reprezentujących obiekty, takie jak atomy) i krawędzi (reprezentujących relacje, np. wiązania chemiczne). Pozwala to na bezpośrednie modelowanie złożonych systemów, takich jak molekuły czy sieci społeczne.
3. Uczenie na przykładach strukturach grafowych: GNN uczą się poprzez analizowanie wzorców w grafach – baza przykładów, co pozwala im wykrywać subtelne niuanse i zależności, które mogą być nieuchwytne dla innych typów sieci neuronowych.

W projekcie GNoME, jedna z sieci poprawiła swoją zdolność do prawidłowego identyfikowania stabilnych materiałów do ponad 80% w niektórych przypadkach, co jest dużym skokiem w porównaniu z 1% skutecznością wcześniejszych metod.

A-Lab używa kombinacji uczenia maszynowego (ML), danych historycznych i robotyki, aby usprawnić ten proces:

1. Uczenie Maszynowe i Aktywne Uczenie: To jak posiadanie superinteligentnej książki kucharskiej, która sama ciągle aktualizuje się o lepsze przepisy.
2. Robotyka: To są zautomatyzowane narzędzia i maszyny, które fizycznie przeprowadzają eksperymenty – mieszanie składników, podgrzewanie itp., bez potrzeby ciągłego nadzoru człowieka.

Podsumowanie

Eksperyment A-Lab pokazuje, jak połączenie mocy obliczeniowej (do planowania i przewidywania) z rzeczywistymi eksperymentami fizycznymi (przeprowadzanymi przez roboty) może przyspieszyć i ulepszyć odkrywanie nowych materiałów.

Na podstawie:
Google DeepMind’s new AI tool helped create more than 700 new materials | MIT Technology Review
An autonomous laboratory for the accelerated synthesis of novel materials | Nature
Graph neural networks for materials science and chemistry | Communications Materials (nature.com)
Crystal-hunting DeepMind AI could help discover new wonder materials | New Scientist
King lab (chalmers.se)