Los equipos de Google DeepMind, asociados con el Laboratorio Nacional Lawrence Berkeley, han publicado dos artículos en la prestigiosa revista Nature sobre cómo la inteligencia artificial puede provocar un salto cuántico…
Los equipos de Google DeepMind, asociados al Laboratorio Nacional Lawrence Berkeley, han publicado dos artículos en la prestigiosa revista Naturaleza sobre cómo la inteligencia artificial puede provocar un salto cuántico en la ciencia de los materiales. Los alentadores resultados podrían acelerar considerablemente la innovación en los campos de las baterías, la energía fotovoltaica o los chips.
DeepMind ofrecerá acceso abierto a los 381.000 materiales más prometedores
Un resultado que recuerda al trabajo de DeepMind con proteínas. GNoME, para Graph Networks for Materials Exploration, descubrió en 17 días estructuras cristalinas potencialmente más estables que las conocidas actualmente. 2,2 millones frente a 48 000. Estas combinaciones aún deben verificarse experimentalmente en el laboratorio, pero los autores del estudio son optimistas: durante su investigación, 736 estructuras propuestas por GNoME fueron descubiertas también por científicos de otras partes del mundo, independientes de Google DeepMind. y el Laboratorio Nacional Lawrence Berkeley.
El proceso de búsqueda habitual para encontrar estructuras cristalinas estables mediante prueba y error, investigación y desarrollo es lento. Se trata de intentarlo, fracasar y empezar de nuevo, sólo para lograr resultados a veces decepcionantes.
Google DeepMind informa que la tecnología digital ya ha impulsado significativamente el sector, con 28.000 nuevos materiales descubiertos gracias a la base de datos de acceso abierto Materials Project. Esto es lo que utilizaron los desarrolladores de GNoME para entrenar su modelo de aprendizaje profundo.
GNoME funciona con dos canales. Se crean candidatos con estructuras similares a las conocidas. El otro es más aleatorio, con fórmulas químicas. Los resultados se evalúan antes de enriquecer el proceso de aprendizaje de GNoME. Crédito: Google DeepMind
“ Esperamos que grandes mejoras en la experimentación, la síntesis autónoma y los modelos de aprendizaje automático reduzcan significativamente este plazo, de 10 a 20 años, a algo mucho más razonable. dijo uno de los coautores del estudio, Ekin Dogus Cubuk.
381.000 estructuras, consideradas las más prometedoras, serán de libre acceso para la comunidad investigadora. Esto nos permitirá pasar a la fase de experimentación. Un segundo artículo, de investigadores del Laboratorio Nacional Lawrence Berkeley, muestra cómo utilizar las predicciones de la IA para la síntesis de materiales. Lograron la creación autónoma de 41 de 58 compuestos, una alta tasa de éxito del 70%.
Se han descubierto 52.000 compuestos potenciales similares al grafeno, frente a los 1.000 existentes. Esto podría tener un impacto significativo en el mundo de los chips. También se han destacado 528 conductores potenciales de iones de litio, esenciales para las baterías, lo que supone 25 veces más que el último estudio sobre el tema.
Los equipos que trabajaron en el proyecto creen que su trabajo podría permitir avances significativos en tecnologías disruptivas, como los superconductores, la alimentación de superordenadores o las baterías de nueva generación.
About the Author
