Инструмент искусственного интеллекта GNoME обнаружил 2,2 миллиона новых кристаллов, включая 380 000 стабильных материалов, которые могут стать основой технологий будущего, сообщается в статье, опубликованной в Nature.
Современные технологии, от компьютерных чипов и батарей до солнечных панелей, основаны на неорганических кристаллах. Для реализации новых технологий кристаллы должны быть стабильными, иначе они могут разложиться, и за каждым новым стабильным кристаллом могут стоять месяцы кропотливых экспериментов.
Приготовьтесь к радикальному ускорению технологического развития. Искусственный интеллект Google Deepmind добился «увеличения на порядок стабильных материалов, известных человечеству», обнаружив новые материалы с революционным потенциалом, которого хватит примерно на 800 лет.
Graph Networks for Materials Exploration (GNoME) — это новый инструмент глубокого обучения от Google, который значительно повышает скорость и эффективность открытий, предсказывая стабильность новых материалов.
Открытие новых материалов с необычными свойствами может запустить технологический снежный ком, который в конечном итоге подтолкнет общество в новых направлениях — но до сих пор это был кропотливый медленный процесс, включающий множество экспериментов, [которые проходили] методом проб и ошибок.
Неорганические кристаллические материалы, например, могут показать огромные перспективы, как только вы впервые их синтезируете, но весь этот потенциал ни к чему не приведет, если кристаллы не будут оставаться стабильными; нет смысла обнаруживать, что новый кристалл может улучшить работу батарей или электроники, если он будет рассыпаться и разрушаться.
И именно здесь инструмент глубокого обучения Graph Networks for Materials Exploration (GNoME) компании Deepmind только что сделал анонс, который обещает стать чрезвычайно революционным.
Инструмент GNoME обнаружил не менее 2,2 миллиона новых неорганических кристаллов и определил 380 000 из них как наиболее стабильные, предоставив исследователям предварительно отфильтрованный список новых материалов, которые можно использовать и синтезировать для экспериментальных исследований. Около 736 из них уже созданы независимо [от данного исследования] в исследовательских лабораториях по всему миру.
Среди этих кандидатов — материалы, обладающие потенциалом для разработки будущих преобразующих технологий, начиная от сверхпроводников, питающих суперкомпьютеры, и заканчивая батареями нового поколения, повышающими эффективность электромобилей.
После завершения наших последних открытий мы провели поиск в научной литературе и обнаружили, что 736 наших открытий, сделанных с помощью вычислений, были независимо реализованы сторонними командами по всему миру. Выше приведены шесть примеров — от первого в своем роде щелочноземельного алмазоподобного оптического материала (Li4MgGe2S7) до потенциального сверхпроводника (Mo5GeB2).
Команда Deepmind сообщает:
В партнерстве с Google DeepMind группа исследователей из Национальной лаборатории Лоуренса в Беркли также опубликовала вторую статью в Nature, в которой показано, как наши прогнозы искусственного интеллекта могут быть использованы для автономного синтеза материалов.
Мы сделали прогнозы GNoME доступными для исследовательского сообщества. Мы передадим 380 000 материалов, которые, по нашим прогнозам, будут стабильными, в проект Materials Project, который сейчас обрабатывает соединения и добавляет их в свою онлайн-базу данных.
Мы надеемся, что эти ресурсы помогут продвинуть исследования в области неорганических кристаллов и раскрыть потенциал инструментов машинного обучения в качестве руководства для экспериментов.
Ускорение поиска материалов с помощью искусственного интеллекта
В прошлом ученые искали новые кристаллические структуры, изменяя известные кристаллы или экспериментируя с новыми комбинациями элементов — дорогостоящий процесс проб и ошибок, который мог занять месяцы для получения даже ограниченных результатов. За последнее десятилетие вычислительные подходы, разработанные the Materials Project и другими группами, помогли обнаружить 28 000 новых материалов.
Но до сих пор новые подходы, управляемые искусственным интеллектом, достигали фундаментального предела в своей способности точно предсказывать материалы, которые могли бы быть пригодны для экспериментов.
Открытие с помощью GNoME 2,2 миллиона материалов эквивалентно накоплению знаний примерно за 800 лет и демонстрирует беспрецедентный масштаб и уровень точности прогнозов.
Например, 52 000 новых слоистых соединений, похожих на графен, которые способны произвести революцию в электронике благодаря созданию сверхпроводников. Ранее было идентифицировано около 1000 таких материалов.
Мы также обнаружили 528 потенциальных литий-ионных проводников, которые могут быть использованы для повышения производительности перезаряжаемых батарей, что в 25 раз больше, чем в предыдущем исследовании.
Мы публикуем прогнозируемые структуры для 380 000 материалов, которые имеют наибольшие шансы быть успешно созданными в лаборатории и найти применение в реальных приложениях.
Чтобы материал считался стабильным, он не должен распадаться на аналогичные составы с меньшей энергией. Например, углерод в графеноподобной структуре стабильнее, чем углерод в алмазах. С математической точки зрения, эти материалы лежат на выпуклой оболочке.
В рамках этого проекта было обнаружено 2,2 миллиона новых кристаллов, которые стабильны по современным научным стандартам и лежат ниже выпуклой оболочки предыдущих открытий.
Из них 380 000 считаются наиболее стабильными и лежат на «окончательной» выпуклой оболочке — новом стандарте, который мы установили для стабильности материалов.
Конечным результатом такого рода исследований станет радикальное сокращение потерянного времени; исследователи смогут сосредоточить свои усилия на огромном количестве новых материальных структур, которые не будут заводить в тупик из-за нестабильности кристаллов.
Более того, команда Deepmind также работала с лабораторией Беркли над созданием и демонстрацией роботизированной лаборатории, способной синтезировать эти новые кристаллы автономно. В опубликованной сегодня статье команда Deepmind сообщила, что роботизированная лаборатория уже успешно синтезировала 41 из этих новых материалов – потенциал для дальнейшего ускорения здесь замечательный.
Роботизированная лаборатория в Беркли уже создала 41 из 380 000 новых неорганических кристаллов, открытых с помощью искусственного интеллекта GNoME от Deepmind.
Эта пара проектов может открыть неисчислимые пути технологического развития – и они являются яркой демонстрацией радикального переворота, который системы искусственного интеллекта уже начинают производить практически во всех сферах жизни. Пристегнитесь, ребята!
В использованных источниках можно найти больше информации по данной теме:
newatlas.com
deepmind.google
Источник перевода: newsstreet.ru
Больше интересных статей, которые я не успеваю переводить, но которые можно почитать через онлайн-перевод, можно найти здесь: t.me/murrrzio
Комментарии
бредятина какая-то.
Сначала с помощью ИИ нашли огромное количество хим. соединений с нужными качествами, теперь прорыв в области материаловедения. Никакого бреда я не заметил.
Вообще отлично конечно. Только то, что остальные материалы в слепое пятно скинули, не очень хорошо. Стабильность небось в нормальных условиях оценивали.
Помнится, пиндосам предоставили все чертежи и данные по ракетным двигателям, а китайцы тупо скопировали самолетные движки. Только ни те, ни другие не смогли достигнуть оригинала, хотя разложили на атомы материалы, из которых сделаны, например, лопатки самолетного движка.
Получается, китаёзы точно знают состав материала лопаток, но саму технологию изготовления материала так и не освоили
Пора вручать ИИ - Нобелевскую премию по химии :-) Сколько высокообразованных человек лишилось работы - сомнниений, поисков, страданий. Тупым методом перебора - взяли и решили задачу :-)
Напоминает мне сразу две истории
1. Анекдот времен Брежнева, Доклад зав. отделом культуры на обкоме партии - До Революции у нас в области был один писатель, а теперь их 52 .. Голос из зала -
2. Одно из ранних произведений Воннегута - Сирены Титана - Такое впечатление, что скоро мы узнаем - Зачем возникла жизнь на Земле и поймем наше место в иерархии Вселенной ..
Извиняюсь, а какое окончание анекдота, писатель был Толстой?
Только премию мира дают за ожидания в будющем, а по физике и химии ждут пока открытие покажет свою полезность.
да хрень, конечно.
в реальности - этот ИИ просто использовал текущие представления данной науки о стабильности кристаллов.
Да, сгенерил хренову тучу соединений, которые в соответствии с этими представлениями должны быть стабильными.
В реальности - надо еще все эти соединения синтезировать, чтобы это проверить.
Второе - надо еще понять, а на хрена такая куча? что из них какими полезными свойствами обладает?
Вот если бы он по набору необходимых свойств мог материал предлагать - это да. А стабильность - это так себе свойство. Не очень редкое.
Жизнь на Земле возникла:
А.Чтобы упростить работу Природы по перебору вариантов)));
Б.Чтобы из Хаоса сделать Порядок))).
Это у вас что-то с памятью.
Пиндосы за чертежи и прочие техкарты заплатили, но нечего не пытались у себя из этого выпускать. Зачем, если им наши маленькие любители рекордов сами продавали двигатели по ценам "себе в убыток"?
Ну, пока не нашли, а смоделировали. Ещё их надо их устойчивость и возможность существо подтвердить экспериментально. Научиться получать...
Судя по формулам под картинками - никогда не получат, ибо совсем не соответствуют картинки формулам.
Что с него возьмёшь - ИИ одно слово..
это "туман войны"
Это как в анекдоте про сову и мышей, которым она посоветовала стать ежиками. "Но как?! А это уже ваше дело, я не тактик, я стратег". ИИ: "Вот вам новые соединения" - "Но как их получить?" - "А это уже ваши проблемы"
Но какая-то польза все равно будет, думаю. Из "найденного" наверняка будут найдены, пардон за тавтологию, реализуемые варианты
эм, между "нашли" и "предположили" очень большая разница. Химии-физики науки про реальный мир, а не сгенерированный в рамках искусственного интеллекта. Теория без подтверждения - всего лишь фантазия.
Там не искусственный интеллект, а классичесеие подходы, если судить по описанию.
Неправ. Всё-таки глубокое обучение там - основа.
Бред в том, что не понятны свойства всех этих веществ, не понятна технология их производств, не понятна стабильность в разных условиях и тд.
Рассчитано на тупых.
Более того не понятно как ИИ высчитывал эту самую "стабильность"
Тут без деталей нельзя ничего понять. Хайп один.
Расчётами можно только навпять принципиальную возможность соединений, исходя из валентности и тд.
Все остальные свойства познаются исключительно экспериментально.
Буржуи понимают, что в материаловедения наши ушли на пару голов выше, и пытаются хоть что то сделать. Но то такое... конвульсии.
Откуда вы это берёте всё? Что за общие утверждения? Вы наверное большой мальчик и должны понимать, что столь общие утверждения со всей обязательностью - профанские заблуждения?
Вы понимаете сколько областей в материаловедении и что нельзя иметь "самое лучшее материаловедение" в тех областях, в которых у тебя даже промышленности нет?
Что за детский сад?
Есть что конкретно возразить Про то, что можно расчетами получить, а что нельзя?
Для утверждений по материаловедению могу сказать: провалы у запада, к примеру, в области реакторов на быстрых нейтронах, лежат исключительно в области не способности получить материалов с требуемыми характеристиками; не способность запада получить управляемый гиперзвук - из той же оперы. И так далее, и тому подобное. Имеющий тех образование, и, главное, желание - увидит.
Очевидно, что упоминание ИИ там - это журнализм. Общий уровень журналистики хорошо иллюстрирует фраза
Упомянутые детали про выпуклую оптимизацию говорят, что "ИИ" (слишком пафосно звучит) там - это максимум сокращение перебора генетическим алгоритмом, имитацией отжига или чем-то подобным.
P.S.: был неправ
"Дайте денег" (или "вы не зря дали денег") пишется куда короче.
Сюда просится фраз врача из анекдота про дедушку, который "может 5 раз за ночь"
Скорее, кто-то открыл для себя комбинаторику.
Компьютерное моделирование это конечно здорово - перебор миллионов вариантов и наконец таблица стабильных. Только вот путь к ним какой? Вот эти 40 с хвостиком созданы и в устойчивой конфигурации могут быть поставлены на поток? Или опять один удачный опыт в цепочке неудач?
Им главное запатентовать. А с получением , тем более промышленными методами, пусть китайцы заморачиваются.
Это одна из задач, которую хотели решать на квантовом компьютере, тем более что существующие алгоритмы позволяют решать подобные задачи именно на квантовом компьютере. Если схожую практическую задачу решает нейросеть, то зачем городить квантовый компьютер (если других алгоритнов для него пока не придумали)?
Это все равно на Много порядков Эффективнее чем слепой поиск т ы знаешь к чему и дешь и даже примерно представляешь как идешь.
так что теперь прикладные исследования ускорятся на порядки.
а если еще и могут предсказывать хотя бы ориентировочно результирующие свойства то на многие порядки... потому что можно выбрать Что-то прикладное что востребовано и спокойно перебирать конкретную группу Кристаллов - а не тыкаться последовательно
патенты оформят на придуманные соединения. и будут весь мир доить
По моему патент нельзя оформить на материал
На метод получения вещества - можно.
от придуманной картинки до метода получения придуманного вещества - дистанция гигантского размера, иногда непреодолимая
Чаще всего - непреодолимая, и лишь в редчайших случаях - вещество по картинке получается. Типа фуллеренов и прочих букиболов.
Вангую, что патентная система будет пересмотрена, ровно как сейчас пересматривается система легитимизации собственности.
Просто новость подана так, что сносит обывателю мозги. Судя по тексту статьи ТС, программа предсказывает температуру плавления химических соединений и на этом всё.
Вот этот коммент должен быть первым, а не то безмозглое восклицание.
Гхм... а сколько из этих 2,2 миллионов гипотез, включая треть миллиона гипотез о стабильности кристаллов, сгенерированных очередным арифмометром, было протестировано в реале?
Так-то химики уже десятилетиями используют арифмометры в своих целях. Чуть ли не с 70-ых годов прошлого века нейросетки использовали для подбора взрывчатки.
Впервые об этом слышу - я имею ввиду: "Чуть ли не с 70-ых годов прошлого века нейросетки использовали для подбора взрывчатки."
"В опубликованной сегодня статье команда Deepmind сообщила, что роботизированная лаборатория уже успешно синтезировала 41 из этих новых материалов – потенциал для дальнейшего ускорения здесь замечательный."
Понятненько. Из 2.2. миллионов синтезировали 41. А свойства протестировать успели?
"Впервые об этом слышу - я имею ввиду: "Чуть ли не с 70-ых годов прошлого века нейросетки использовали для подбора взрывчатки."
Вы не слышали, а я слышал.
Да это бред полный от человека, который вообще не понимает, о чём говорит. Вот даже близко.
1970-е - это, блин, персептрон. До того момента, когда будут сформулированы хотя бы принципы работы и построения нынешних нейросетей - ещё лет 30, собссно, прорывы были сделаны в конце 90-х и ОЧЕНЬ большая работа проделана в нулевых-десятых. Даже перенеси в 1970-е компутер из нашего настоящего, они... много бы что сделали, но совершенно точно, что не нейросети для поиска взрывчатки. :)
Ну а с компами тех времён это абсолютно безнадёжное дело. Старшая модель ИБМ/360 - порядка нескольких миллионов операций в секунду ("регистр-регистр", ессно, и целочисленных :)). :)
Ох ты ж хосподя.
В конце 80-ых аж студням ВМК МГУ, не имеющим доступа к "Первой формы будь достоин. Враг не дремлет. Майор Пронин." рассказывали про то, что нейросетки ищут взрывчатку. Значит, собственно разработки из 70-ых тянулись.
Амеры из "большой фармы" в начале 90-ых использовали линейный классификатор для перебора молекул, это я изнутри знаю.
Ха!
"И вы говорите" :) Те регрессии и нынешние модели - это как... Блин, вот Вы знаете, что паровую турбину изобрели древние греки? Герон, конкретно - "паровая турбина Герона". Но говорить, что у греков была паровая турбина и сравнивать её с турбиной современного гигаваттного блока... ну, несколько неадекватно. :)
Ну не было тогда никаких возможностей сделать ну хоть что-то полезное. Нейросети - вычислительно дико неэффективная штука, и польза-то у них появляется только с ростом размера.
И теория (уровень чистой науки по теме) была в зачаточном состоянии, тогда (поскольку вычмощи не было) всё пытались из единичного нейрона как можно больше выжать... Собссно, когда после энтузиазма 60-х, чуть-чуть мал-мала осознали СКОЛЬКО нужно считать, чтобы получить что-то путное, всё и привяло на 20-30 лет... Только в 90-е, вот как 80486 пошли в массы (и стали доступны прям вот рядовым научным работникам) что-то и зашевелилось, потому что 4МБ памяти и сотни миллионов операций в секунду - это уже пригодно для практически задач, типа текст пораспознавать.
И вот тут уже пошла наука, движуха, и реально понимание теории начало прогрессировать.
70-80-е - это, каменный век, недалеко ушли от персептронов. Нельзя было сделать тогда ничего путного. Ну то есть даже попади в те времена прогрессорс полными исходникамки какой-нить библиотеки + богатым опытом построения сеток... Не, никак. Не было для этого никакой базы.
Эт патамушта нонче тупой перебор вслепую арифмометрами, пока ИТ-шники бамбук курят, а экспертов предметников и рядом не стояло.
А в те былинные времена из-за недостатка вычислительных мощностей связка эксперты-предметники плюс ИТ-шники ограничивались ключевыми параметрами, а не весь мусор подряд заметали в систему а-ля "нуачо, она ж железная, всё перемелет".
Ну в том-то и задача нейросеток, чтобы они втупую перемалывали и учились на тех данных, которые человек перемолоть и научиться на них не может. Почему я и говорю, что "нейросети" 70-х - это... в лучшем случае нечто, что можно назвать муляжом. Макетом.
При той их сложности в абсолютном большинстве случаев проще и МНОГО лучше было нарисовать и численно (или даже частично аналитически) решить систему уравнений.
Для чего и нужны были предметники (с по локоть золотыми руками), и многое получалось... но трудоёмкость этого - просто... "закат солнца вручную". И главное, что сложность связей, которые может охватить человек - вполне конечна, и, в общем-то, не очень велика. Зато было по силам тогдашней технике. В отличие от сколь-нить вменяемой нейросети.
Почему я и с таким
охренениемсомнением воспринял то, что кто-то там какую-то взрывчатку выбирал нейросетями... Не, выбирать могли. Но полезность этого - околонулевая. Или даже строго нулевая.А сейчас да: лепи модель с миллиардами параметров, машина железная, она не сломается. Есть есть корреляции - она их вытянет, ну разве что ей немножно изначально архитектурой сетки помочь. В этом и смысл.
"Ну в том-то и задача нейросеток, чтобы они втупую перемалывали и учились на тех данных, которые человек перемолоть и научиться на них не может... В этом и смысл."
Не знаю, как в других предметных областях, а в медицине с практической точки зрения это очень узкое применение в научных целях. Например, в "святые 90-ые", уже "переквалифицировавшись в управдомы", с тоски по науке в качестве хобби мы обсчитывали одну московскую ведомственную больничку на предмет клинической микробиологии и антибиотикотерапии. Вот тогда у меня была мечта, прикрутить арифмометр в автоматическом режиме вытаскивать корреляции, и затем, попивая когда кофе когда пивасик когда изюмный херес, вдумчиво размышлять, где ложные корреляции "всё влияет на всё на всех уровнях всех систем", а где реальные клинические предикторы в рамках причинно-следственных отношений, основанных на патофизиологии. Без этого приходилось по классике, сначала формулировать гипотезу для проверки, а потом узко под эту гипотезу вытаскивать цифирь для стат. обработки, игнорируя всё остальное.
А для общемедицинской диагностики тупое перемалывание цифрового мусора это именно тупое перемалывание цифрового мусора. Хотя бы с точки зрения качества выборок - одно дело жестко контролируемые протоколы с заранее выставленными критериями включения и исключения в исследования а-ля "проспективные рандомизированные тройные слепые плацебо-контролируемые клинические испытания", другое дело "кукуцые" записи в историях болезней от участковых тёток, которые в полубессознательном состоянии после 50+ пациентов за смену.
Так-то арифмометры для медицинской диагностики должны решать совершенно другую задачу - затыкать дыры участковых тёток по DIF-анализу (difficult-important-frequent), т.е. работать по редкой, но важной (жизнеугрожающей-инвалидизирующей) патологии, которая вываливается за рамки банальных гипертония-стенокардия-язва-бронхит-пневмония.
Так вот, на пережёвывании цифрового мусора сберовский медИИ на суперкомпьютерах за 8 лет после выступления Путина в 2015 году набрал 256 наиболее частых диагнозов, которые учасковые тётки и без него на автопилоте ставят - из 11+ тысяч диагнозов по МКБ-10/11. А если на заранее прописанных критериях диагностики, как в клинических испытаниях - то к.м.н. обучит арифмометр по всем диагнозам в своей медицинской специальности на домашнем ноуте в течение 2 - 4 недель. Сажайте десяток к.м.н. в параллель - за месяц покроете практически всю медицину.
Повторюсь - Греф на суперкомпьютерах за миллиарды рублей и 8 лет покрыл 256 диагнозов.
У меня сейчас проблема: я делаю экстракт растения, делаю анализ, нахожу вещества, свойства которых ранее не описаны, и ломаю голову - каковы их свойста, как их можно применить? Нигде информации нет. ИИ запускать для поиска?
Абстрактная информация. Свойства не описаны по биологическому функционалу веществ? На уровне органов и систем или на рецепторно-молекулярном уровне? По физико-химическому взаимодействию? По пространственной конфигурации молекул?
Теоретически ИИ по совокупности всех свойств мог бы прогнать инфу, и сказать, на что это похоже. Ну или что ни на что не похоже из известного ему. Вот только меня терзают смутные сомненья, что такие ИИ стоят в "большой фарме", и скармливают им первичку не из экстрактов растений на пару/спирту, полученных в уличной аптеке.
Биологический функционал расписан на шаманском уровне. молекулы - органика, сексвитерпеновые лактоны, кетоны, например. Конфигурация - х.з.
С паром и спиртом не работаю. Неполярный растворитель. Сырьё не из аптеки, а из лесу, вестимо.
Инженер, проектирую, делаю и эксплуатирую оборудование. Даже патент выдали. На био и органическую химию, хроматографирование, фармацевтику образованиев не хватает.
Теоретически ИИ, а практически арифмометры такого уровня в "большой фарме", да и они не возьмут комбинации органики.
Страницы