La nuova tecnologia spesso richiede nuovi materiali e, grazie ai supercomputer e alle simulazioni, i ricercatori non devono districarsi in congetture inefficienti per inventarli da zero.
Il Materials Project, un database ad accesso aperto fondato presso il Lawrence Berkeley National Laboratory (Berkeley Lab) del Dipartimento dell'Energia nel 2011, calcola le proprietà dei materiali noti e previsti. I ricercatori possono concentrarsi su materiali promettenti per le tecnologie future, ad esempio leghe più leggere che migliorano il risparmio di carburante nelle automobili, celle solari più efficienti per promuovere l'energia rinnovabile o transistor più veloci per la prossima generazione di computer.
Ora, Google DeepMind, il laboratorio di intelligenza artificiale di Google, sta contribuendo con quasi 400.000 nuovi composti al Materials Project, ampliando la quantità di informazioni a cui i ricercatori possono attingere. Il set di dati include il modo in cui sono disposti gli atomi di un materiale (la struttura cristallina) e quanto è stabile (energia di formazione).
"Dobbiamo creare nuovi materiali se vogliamo affrontare le sfide ambientali e climatiche globali", ha affermato Kristin Persson, fondatrice e direttrice del Materials Project al Berkeley Lab e professoressa alla UC Berkeley. "Con l'innovazione nei materiali, possiamo potenzialmente sviluppare plastica riciclabile, sfruttare l'energia di scarto, produrre batterie migliori e costruire pannelli solari più economici che durino più a lungo, tra molte altre cose."
Per generare i nuovi dati, Google DeepMind ha sviluppato uno strumento di deep learning chiamato Graph Networks for Materials Exploration o GNoME. I ricercatori hanno addestrato GNoME utilizzando flussi di lavoro e dati sviluppati nell'arco di un decennio dal Materials Project e hanno migliorato l'algoritmo GNoME attraverso l'apprendimento attivo.
I ricercatori di GNoME hanno infine prodotto 2,2 milioni di strutture cristalline, di cui 380.000 che stanno aggiungendo al Progetto Materiali e che prevedono siano stabili, rendendole potenzialmente utili nelle tecnologie future. I nuovi risultati di Google DeepMind sono pubblicati sulla rivista Nature .
Alcuni dei calcoli di GNoME sono stati utilizzati insieme ai dati del Materials Project per testare A-Lab, una struttura del Berkeley Lab dove l'intelligenza artificiale guida i robot nella produzione di nuovi materiali. Il primo articolo di A-Lab, pubblicato anche su Nature , ha dimostrato che il laboratorio autonomo può scoprire rapidamente nuovi materiali con un input umano minimo.
In 17 giorni di attività indipendente, A-Lab ha prodotto con successo 41 nuovi composti su 58 tentati, una velocità di oltre due nuovi materiali al giorno. Per fare un confronto, un ricercatore umano può impiegare mesi di congetture e sperimentazioni per creare un nuovo materiale, sempre che riesca a raggiungere il materiale desiderato.
Per realizzare i nuovi composti previsti dal Materials Project, l'intelligenza artificiale di A-Lab ha creato nuove ricette esaminando articoli scientifici e utilizzando l'apprendimento attivo per apportare modifiche. I dati del Materials Project e di GNoME sono stati utilizzati per valutare la stabilità prevista dei materiali.
"Abbiamo avuto questo incredibile tasso di successo del 71% e abbiamo già alcuni modi per migliorarlo", ha affermato Gerd Ceder, ricercatore principale di A-Lab e scienziato del Berkeley Lab e dell'UC Berkeley. "Abbiamo dimostrato che combinare la teoria e i dati con l'automazione produce risultati incredibili. Possiamo creare e testare materiali più velocemente che mai e aggiungere più punti dati al Materials Project significa che possiamo fare scelte ancora più intelligenti."
Il Materials Project è il repository ad accesso aperto di informazioni sui materiali inorganici più utilizzato al mondo. Il database contiene milioni di proprietà su centinaia di migliaia di strutture e molecole, informazioni elaborate principalmente presso il National Energy Research Science Computing Center del Berkeley Lab.
Più di 400.000 persone sono registrate come utenti del sito e, in media, ogni giorno vengono pubblicati più di quattro articoli che citano il Materials Project. Il contributo di Google DeepMind rappresenta la più grande aggiunta di dati sulla stabilità della struttura da parte di un gruppo dall'inizio del Materials Project.
"Ci auguriamo che il progetto GNoME possa portare avanti la ricerca sui cristalli inorganici", ha affermato Ekin Dogus Cubuk, a capo del team Materials Discovery di Google DeepMind. "Ricercatori esterni hanno già verificato più di 736 nuovi materiali GNoME attraverso esperimenti fisici simultanei e indipendenti, dimostrando che le scoperte del nostro modello possono essere realizzate in laboratorio."
Il Materials Project sta ora elaborando i composti di Google DeepMind e li sta aggiungendo al database online. I nuovi dati saranno disponibili gratuitamente ai ricercatori e verranno inseriti anche in progetti come A-Lab che collaborano con il Materials Project.
"Sono davvero entusiasta che le persone utilizzino il lavoro che abbiamo svolto per produrre una quantità senza precedenti di informazioni sui materiali", ha affermato Persson, che è anche il direttore della Molecular Foundry del Berkeley Lab.
"Questo è ciò che ho deciso di fare con il Materials Project:non solo rendere i dati che ho prodotto gratuiti e disponibili per accelerare la progettazione dei materiali per il mondo, ma anche insegnare al mondo cosa possono fare i calcoli per te. Possono scansionare ampi spazi per nuovi composti e proprietà in modo più efficiente e rapido di quanto possano fare i soli esperimenti."
Seguendo le indicazioni promettenti ricavate dai dati del Materials Project negli ultimi dieci anni, i ricercatori hanno confermato sperimentalmente proprietà utili in nuovi materiali in diverse aree. Alcuni mostrano un potenziale di utilizzo:
Naturalmente, trovare questi potenziali materiali è solo uno dei tanti passi verso la risoluzione di alcune delle grandi sfide tecnologiche dell'umanità.
"Realizzare un materiale non è per i deboli di cuore", ha detto Persson. "Ci vuole molto tempo per portare un materiale dal calcolo alla commercializzazione. Deve avere le giuste proprietà, funzionare all'interno dei dispositivi, essere in grado di scalare e avere la giusta efficienza in termini di costi e prestazioni. L'obiettivo con il Progetto Materiali e strutture come A-Lab serve a sfruttare i dati, consentire l'esplorazione basata sui dati e, in definitiva, offrire alle aziende tiri in porta più praticabili."
Ulteriori informazioni: Gerbrand Ceder, Un laboratorio autonomo per la sintesi accelerata di nuovi materiali, Natura (2023). DOI:10.1038/s41586-023-06734-w. www.nature.com/articles/s41586-023-06734-w
Amil Merchant et al, Scalare l'apprendimento profondo per la scoperta dei materiali, Natura (2023). DOI:10.1038/s41586-023-06735-9, www.nature.com/articles/s41586-023-06735-9
Informazioni sul giornale: Natura
Fornito dal Lawrence Berkeley National Laboratory
