Deep Mind tvoří jako divý

GNoME je nástroj hlubokého učení, který kombinuje nové materiály na principech grafických sítí. Píše o tom MIT Technology Review, a kdo by chtěl hlouběji do teorie, musí sáhnout po čerstvém vydání vědeckého týdeníku Nature.

https://www.technologyreview.com/2023/11/29/1084061/deepmind-ai-tool-for-new-materials-discovery/

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

Podle zdroje z MIT už byla tato technologie použita k předpovědi struktury 2,2 milionu nových materiálů, z nichž více než 700 bylo vytvořeno v laboratoři a nyní se testuje. Je to doklad toho, jak tento nástroj, který využívá hlubokého učení, dramaticky urychluje výzkumný proces.

V Nature jsem se dočetl, že jde o téměř nepředstavitelný výkonnostní skok. Dosavadní experimentální přístupy v průběhu desetiletí katalogizovaly v databázi anorganických krystalových struktur jen 20 000 výpočetně stabilních struktur (z celkového počtu 200 000 záznamů). To však bylo nepraktické vzhledem k nákladům, propustnosti a komplikacím syntézy. Místo toho výpočetní přístupy prosazované Materials Project použily výpočty založené na teorii funkcionálu hustoty jako aproximace fyzikálních energií.

Ani s Nature jsme se tedy moc daleko nedostali, ale přesto je to úžasné. Nicméně víme, že Materials Project otevřely postup, který vedl ke GNoME. A v MIT informují, že ona laboratoř, kde se nové materály tvoří a testují je součástí Národní laboratoře Lawrence v kalifornském Berkeley (Lawrence Berkeley National Laboratory). Uvedené pracoviště sahá do databází možných nových materiálů z produkce GNoME a pokouší se je vytvářet pomocí robotů a strojového učení, tedy bez přímé účasti člověka.

Není to první pokus v tomto směru. Jistou praxi už má za sebou AlphaFold, jiný systém umělé inteligence stejné společnosti DeepMind, který se specializuje na vysoce přesné předpovědi struktury proteinů. Byl ohlášen v roce 2020 a od té doby značně pokročil v biologickém výzkumu a objevování léčiv.

Ju Li, profesor materiálové vědy a inženýrství na MIT, proto říká, že GNoME je AlphaFold pro objevování materiálů. Dogus Cubuk, šéf materiálového výzkumu Google DeepMind, vyjádřil význam nového nástroje kvantitativně. Během počátečního nasazení GNoME se počet známých materiálů zvýšil téměř desetkrát na 421 000.

Jak to přesně počítají, nechme na nich. Zajímavé je ale porovnání stávajícího a nového postupu.

Dosud se vyhledávaly nové materiály tak, že vědci zkoušeli kombinace napříč periodickou tabulkou prvků. Jenže takových možných kombinací je příliš mnoho. Proto vědci vycházeli z existujících struktur a prováděli na nich drobné úpravy v naději, že objeví nové kombinace, které mají potenciál. Problémem je, že to dlouho trvá a práce na existujících strukturách zároveň omezuje příležitosti pro nečekané objevy.

DeepMind postupuje jinak a používá k tomu dva různé modely hlubokého učení. První model už vygeneroval více než miliardu struktur pomocí úprav prvků v existujících materiálech, navazuje tedy na stávající postup, byť s podstatně vyšší efektivností. Druhý model však postupuje jinak a nechává existující struktury stranou. Soustřeďuje se na nové materiály, jejichž stabilitu předpovídá čistě na základě chemických vzorců. Kombinace těchto dvou modelů umožňuje mnohem širší škálu možností.

Jakmile jsou kandidátské struktury vygenerovány, nasadí se filtry GNoME, které se zaměřují na rozkladnou energii dané struktury. To je důležitý ukazatel potenciální stability, protože stabilní materiály jsou ty, které se snadno nerozkládají. Tento proces se několikrát opakuje. V prvním kole GNoME předpovídá stabilitu různých materiálů s přesností kolem 5 %, ale ta se opakováním rychle zvyšuje. Konečné výsledky ukázaly, že u zmíněného prvního modelu GNoME dokázal předpovědět stabilitu struktur ve více než 80 % případů a u druhého modelu ve 33 % případů.

Jakmile jsou nové materiály identifikovány, můžeme se je pokusit syntetizovat, aby se dala prozkoumat jejich užitečnost. Nová autonomní laboratoř Berkeley Lab nazvaná A-Lab využívá informace z pionýrského Materials Project, který GNoME v Berkeley předcházel a integruje robotiku se strojovým učením, aby optimalizovala vývoj takových materiálů.

Výzkumníci z Berkeley Lab uvádějí, že laboratoř A-Lab byla schopna během 17 dnů provést 355 experimentů a úspěšně syntetizovat 41 z 58 navržených sloučenin. To znamená dvě úspěšné syntézy denně.

V typické laboratoři, kterou řídí člověk, trvá výroba materiálů mnohem déle. "Když nemáte štěstí, může to trvat měsíce nebo dokonce roky," řekla na tiskovém brífinku Kristin Perssonová, vedoucí Materials Project. Většina studentů to podle ní vzdá po několika týdnech. "Ale laboratoři A-Lab nevadí, když se jí nedaří. Zkouší to dál a dál."

Výzkumníci z DeepMind a Berkeley Lab věří, že tak urychlí materiálové inovace v energetice, výpočetní technice a mnoha dalších odvětvích. Mluví se o bateriích, čipech, keramice nebo elektronice. Jedním z nejslibnějších případů použití jsou vodiče uvnitř lithium-iontových baterií. Společnost DeepMind uvádí, že GNoME identifikovala 528 takových slibných lithium-iontových vodičů.

I po objevení nových materiálů však obvykle trvá desítky let, než je průmysl uvede do komerční fáze. "Pokud se nám to podaří zkrátit na pět let, bude to velké zlepšení," řekl magazínu MIT Technology Review šéf materiálového výzkumu Google DeepMind Dogus Cubuk.

S tím příspěvek na MIT TR opustíme a pokusíme se zamyslet, co hrozí. Lepší baterky do naslouchadla by se mi hodily, ale lepší baterky do dalekonosného dronu s kazetovou municí otevírají zcela jinou perspektivu. Co dělat? Pokrok nezastavíš, ani když tě přejede. Lidstvu to nepochybně pomůže, ale jak dopadnou lidi?