GNoME AI od Google DeepMind to narzędzie do głębokiego uczenia się, zaprojektowane do przyspieszania odkryć poprzez przewidywanie stabilności nowych materiałów. Wykorzystuje model sieci neuronowej i metodę „aktywnego uczenia się”, aby zwiększyć swoją wydajność.
Google DeepMind zaczyna odkrywać większy potencjał AI za pomocą swojego nowego narzędzia do głębokiego uczenia się, Graficznych Sieci do Eksploracji Materiałów (GNoME AI), które pracuje nad przyspieszeniem odkryć poprzez prognozowanie.
GNoME ma na celu zwiększenie zarówno szybkości, jak i efektywności odkryć poprzez przewidywanie stabilności nowych materiałów. Jest to najnowocześniejszy model graficznej sieci neuronowej (GNN) i wykorzystuje to, co Google DeepMind nazywa aktywnym uczeniem, aby zwiększyć swoją wydajność, pozwalając mu przewidywać stabilność nowych materiałów.
Narzędzie podkreśla możliwą obietnicę AI w odkryciach na dużą skalę, jak również prognozowanie struktur nowych i stabilnych kryształów.
GNoME AI. Wzmacnianie globalnych rozwiązań z głębokiego uczenia
Głębokie uczenie to metoda sztucznej inteligencji, gdzie jest ona uczona przetwarzania danych w sposób inspirowany ludzkim komputerem. Technologia GNoME AI została już wykorzystana do przewidywania struktur dla 2,2 miliona nowych materiałów, z których ponad 700 zostało już stworzonych w laboratorium i jest testowanych.
Firma oświadczyła, że przyczyni się do przeanalizowania 380 000 materiałów, które przewidziała jako stabilne, do Projektu Materiałów. Projekt ten teraz przetwarza te związki i włącza je do swojej bazy danych online.
Te materiały mogą być użyteczne do tworzenia nowych produktów, od baterii po nadprzewodniki. Ostatecznie celem jest, aby te zasoby napędzały badania nad kryształami nieorganicznymi i prezentowały nowe przypadki użycia dla narzędzi uczenia maszynowego jako przewodnika do eksperymentów w sektorach technologicznych.
Dzięki GNoME pomnożyliśmy liczbę technologicznie wykonalnych materiałów znanych ludzkości. Spośród 2,2 miliona prognoz, 380 000 to te najbardziej stabilne, co czyni je obiecującymi kandydatami do eksperymentalnej syntezy
podaje przedstawiciel firmy
Wśród tych kandydatów są materiały, które mają potencjał do rozwijania przyszłych przełomowych technologii, od nadprzewodników, zasilających superkomputery, po baterie nowej generacji, które zwiększają efektywność pojazdów elektrycznych.
Poprawa tempa odkryć i rewolucjonizowanie materiałów
Aby rozwinąć GNoME AI, Google DeepMind użyło procesu szkoleniowego zwanego aktywnym uczeniem, który zwiększył jego wydajność. GNoME może generować prognozy dla struktur nowych, stabilnych kryształów, które następnie były testowane, dając jakościowe dane treningowe, które są zwracane do treningu modelu.
Badania firmy ostatecznie zwiększyły tempo odkryć stabilności materiałów z około 50% do 80%. Ponadto Google DeepMind zwiększył efektywność modelu, poprawiając tempo odkryć z mniej niż 10% do 80%, podkreślając, jak zwiększona szybkość może wpływać na ilość obliczeń wymaganych na odkrycie.
Pushmeet Kohli, wiceprezes ds. badań w Google DeepMind, powiedział, że GNoME zostało wydane na razie wyłącznie do celów akademickich, z przypadkami użycia w przedsiębiorstwach ocenianych jako „na indywidualne życzenie”.
Czytaj też: