KI schlägt den Menschen erneut, indem sie in 17 Tagen 41 neue Materialien entwickelt

In nur 17 Tagen hat allein die künstliche Intelligenz (KI) 41 neue Materialien geschaffen, mehr als zwei pro Tag.

Im Gegensatz dazu könnten menschliche Wissenschaftler Monate der Versuche und Experimente benötigen, um ein neues Material zu entwickeln.

Heute wurde dieses KI-Labor namens A-Lab in der maßgeblichen wissenschaftlichen Zeitschrift Nature vorgestellt.

Berichten zufolge handelt es sich bei A-Lab um ein Labor, in dem KI-gesteuerte Roboter neue Materialien herstellen. Es kann schnell und mit minimalem menschlichen Eingriff neue Materialien entdecken. Es kann bei der Identifizierung und schnellen Verfolgung von Materialien in zahlreichen Forschungsbereichen helfen, darunter Batterien, Energiespeicher, Solarzellen, Brennstoffzellen usw.

Erwähnenswert ist, dass A-Lab bei einer Testmission 41 von 58 vorhergesagten Materialien erfolgreich synthetisiert hat, mit einer Erfolgsquote von 71 %.

Die Testdaten stammen aus der Open-Access-Datenbank Materials Project des Berkeley Lab und dem von Google DeepMind entwickelten Deep-Learning-Tool Graph Networks for Materials Exploration (GNoME).

Außerdem wurde heute GNoME von Google DeepMind in Nature veröffentlicht. Es trägt fast 400.000 neue Verbindungen zum Materials Project bei , die größte einzelne Ergänzung von Daten zur Strukturstabilität durch ein einzelnes Team seit der Gründung des Projekts, wodurch die Open-Access-Ressourcen, die Wissenschaftler zur Entwicklung neuer Materialien für zukünftige Technologien nutzen, erheblich erweitert werden.

„ Um die globalen Umwelt- und Klimaprobleme zu lösen, müssen wir neue Materialien entwickeln“, sagte Kristin Persson, Gründerin und Leiterin des Berkeley Lab Materials Project und Professorin an der University of California, Berkeley. „Durch Materialinnovationen können wir unter anderem recycelbare Kunststoffe entwickeln, Abfallenergie nutzbar machen, bessere Batterien herstellen und günstigere, langlebigere Solarmodule bauen. “

Mit KI geht die Herstellung und Prüfung neuer Materialien schneller

Die Entwicklung neuer Technologien erfordert oft neue Materialien. Allerdings ist die Erstellung eines Materials nicht einfach.

Wissenschaftler haben anhand von Computern Hunderttausende neuer Materialarten vorhergesagt, doch die Prüfung, ob diese Materialien tatsächlich hergestellt werden können, ist ein langwieriger Prozess. Von der Berechnung bis zur Marktreife eines Materials dauert es lange. Es muss die richtigen Eigenschaften haben, im Gerät funktionieren, skalierbar sein und die richtige Kosteneffizienz und Leistung aufweisen.

Dank Supercomputern und Simulationstechnologie sind Forscher heute nicht mehr auf blindes Ausprobieren angewiesen, um Materialien von Grund auf neu zu entwickeln.

In dieser Arbeit trainierte das Google DeepMind-Team GNoME mithilfe der Arbeitsabläufe und Daten, die vom Materials Project über mehr als ein Jahrzehnt entwickelt wurden, und verbesserte den GNoME-Algorithmus durch aktives Lernen.

Letztendlich generierte GNoME 2,2 Millionen Kristallstrukturen, von denen 380.000 in das Materials Project aufgenommen wurden und deren Stabilität vorhergesagt wurde . Zu diesen Daten gehören die Anordnung der Atome des Materials (Kristallstruktur) und seine Stabilität (Bildungsenergie).

Abbildung | Die Verbindung Ba₆Nb₇O₂₁ ist eines der neuen von GNoME berechneten Materialien und enthält Barium (blau), Niob (weiß) und Sauerstoff (grün).

Dem Artikel zufolge hat GNoME die Genauigkeit der Vorhersagen zur strukturellen Stabilität auf über 80 % und die Genauigkeit der Vorhersagen zur Zusammensetzung auf 33 % pro 100 Versuche verbessert (im Vergleich zu nur 1 % in früheren Arbeiten) .

„Wir hoffen, dass das GNoME-Projekt die Erforschung anorganischer Kristalle voranbringt“, sagte Ekin Dogus Cubuk, Leiter des Materialforschungsteams von Google DeepMind. „Externe Forscher haben mehr als 736 von GNoME entdeckte neue Materialien durch unabhängige physikalische Experimente verifiziert und damit bewiesen, dass die Entdeckungen unseres Modells im Labor umgesetzt werden können.“

Das Forschungsteam wies in dem Artikel jedoch auch darauf hin, dass GNoME in der praktischen Anwendung noch einige offene Probleme aufweist, darunter durch konkurrierende Polymorphe ausgelöste Phasenübergänge, durch Schwingungsprofile und Konfigurationsentropie verursachte dynamische Stabilität sowie ein tieferes Verständnis der letztendlichen synthetischen Fähigkeiten.

Um die vom Materials Project vorhergesagten neuen Verbindungen herzustellen, hat die KI von A-Lab neue Formeln erstellt, indem sie wissenschaftliche Arbeiten studiert und sie durch aktives Lernen angepasst hat.

„Wir haben eine erstaunliche Erfolgsquote von 71 Prozent erreicht und bereits Wege gefunden, sie zu verbessern“, sagte Gerd Ceder, Wissenschaftler am Berkeley Lab und der UC Berkeley sowie leitender Forscher am A-Lab. „Wir haben gezeigt, dass die Kombination von Theorie, Daten und Automatisierung unglaubliche Ergebnisse hervorbringen kann. Wir können Materialien schneller herstellen und testen als je zuvor.“

Es wird berichtet, dass die Erfolgsquote durch geringfügige Änderungen am Entscheidungsalgorithmus auf 74 % gesteigert werden kann. Durch eine Verbesserung der Computertechnologie kann die Erfolgsquote weiter auf 78 % gesteigert werden.

„Wir möchten die von uns generierten Daten nicht nur kostenlos und verfügbar machen, um die Materialentwicklung weltweit zu beschleunigen, sondern der Welt auch zeigen, was Computer für die Menschen tun können“, sagte Persson. „Sie können große Mengen neuer Verbindungen und Eigenschaften effizienter und schneller scannen als einzelne Experimente.“

Mithilfe von A-Lab, GNoME und anderen können sich Wissenschaftler auf vielversprechende Materialien für zukünftige Technologien konzentrieren, beispielsweise leichtere Legierungen zur Verbesserung des Kraftstoffverbrauchs von Autos, effizientere Solarzellen zur Steigerung der Effizienz erneuerbarer Energien oder schnellere Transistoren für die nächste Computergeneration.

Hat Potenzial für die Anwendung gezeigt

Derzeit verarbeitet das Materials Project weitere Verbindungen von Google DeepMind und fügt sie der Online-Datenbank hinzu. Die neuen Daten werden Forschern kostenlos zur Verfügung gestellt und fließen auch in Projekte wie das A-Lab ein, das mit dem Materials Project zusammenarbeitet.

Abbildung | Strukturen von 12 Verbindungen aus der Materials Project-Datenbank.

Im letzten Jahrzehnt haben Forscher anhand von Hinweisen aus den Daten des Materials Project die Nützlichkeit neuer Materialien in zahlreichen Bereichen experimentell bestätigt . Einige davon haben Anwendungspotenzial gezeigt, wie zum Beispiel:

Bei der Kohlenstoffabscheidung (Entnahme von Kohlendioxid aus der Atmosphäre)

Als Photokatalysator (ein Material, das chemische Reaktionen in Gegenwart von Licht beschleunigt und zum Abbau von Schadstoffen oder zur Herstellung von Wasserstoff verwendet werden kann)

Als thermoelektrische Materialien (Materialien, die dabei helfen, Abwärme zu nutzen und in Elektrizität umzuwandeln)

Als transparenter Leiter (kann in Solarzellen, Touchscreens oder LEDs verwendet werden)

Natürlich ist die Entdeckung dieser potenziellen Materialien nur einer von vielen Schritten zur Lösung einiger der großen technologischen Herausforderungen, vor denen die Menschheit steht.

Zusätzlich zu den beiden oben genannten Studien hat die KI in den letzten Jahren viele Durchbrüche bei der Entdeckung und Synthese neuer Materialien erzielt.

Im Jahr 2020 entwickelte ein multiinstitutionelles Forschungsteam, darunter auch das National Institute of Standards and Technology (NIST), einen KI-Algorithmus namens CAMEO, der selbstständig ein potenziell nützliches neues Material entdeckte, ohne dass zusätzliche Schulung durch Wissenschaftler erforderlich war.

Abbildung | CAMEOs Verfahren zur Suche nach neuen Materialien in einem geschlossenen Kreislauf (Quelle: NIST)

Im selben Jahr entwickelten Forscher der North Carolina State University und der University at Buffalo eine Technologie namens „Artificial Chemist“, die KI und automatisierte Systeme zur Durchführung chemischer Reaktionen kombiniert, um die Entwicklung und Produktion neuer, für die Wirtschaft benötigter chemischer Materialien zu beschleunigen.

Im Jahr 2022 entwickelten Nanoingenieure der School of Engineering der University of California in San Diego einen KI-Algorithmus namens M3GNet, der die strukturellen und dynamischen Eigenschaften jedes beliebigen Materials – ob vorhanden oder neu – nahezu augenblicklich vorhersagen kann. Forscher können damit sicherere Elektroden und Elektrolyte mit höherer Energiedichte für wiederaufladbare Lithium-Ionen-Batterien finden.

Abbildung | Schematische Darstellung der potentiellen Energie eines Mehrkörpergraphen und der wichtigsten Berechnungsmodule (Quelle: University of California, San Diego)

Im März dieses Jahres wurde in Nature Synthesis eine Studie veröffentlicht, die eine Zukunft beschleunigter Materialwissenschaften vorstellte, die durch die gemeinsame Entwicklung von kombinatorischer Synthese und KI-Technologien vorangetrieben wird. Um die Eignung einer Synthesetechnik für einen bestimmten experimentellen Arbeitsablauf zu beurteilen, haben wir einen Satz von zehn Metriken erstellt, die Synthesegeschwindigkeit, Skalierbarkeit, Umfang und Synthesequalität abdecken, und einige selektive kombinatorische Synthesetechniken im Kontext dieser Metriken zusammengefasst.

Als Grundlage und Wegbereiter der Hochtechnologie haben neue Materialien ein äußerst breites Anwendungsspektrum. Zusammen mit der Informationstechnologie und der Biotechnologie sind sie zu den wichtigsten und vielversprechendsten Bereichen des 21. Jahrhunderts geworden.

Angesichts bahnbrechender Entwicklungen in Technologien wie der künstlichen Intelligenz werden sich Wissenschaftler künftig hoffentlich auf Materialien konzentrieren, die für Zukunftstechnologien vielversprechender sind. Dazu gehören etwa leichtere Legierungen, die den Kraftstoffverbrauch von Autos senken, effizientere Solarzellen, die die Entwicklung erneuerbarer Energien fördern, und schnellere Transistoren, die in der nächsten Computergeneration eine Rolle spielen werden.

Referenzlinks:

https://www.nature.com/articles/s41586-023-06735-9

https://www.nature.com/articles/s41586-023-06734-w