Autonomiczny, czyli działający bez zewnętrznej ingerencji człowieka system łączący robotykę ze sztuczną inteligencją (SI) w celu tworzenia zupełnie nowych materiałów, dokonał pierwszych odkryć. A-Lab opracowuje receptury materiałów mogących m.in. znaleźć zastosowanie w bateriach lub ogniwach słonecznych. Następnie samodzielnie dokonuje syntezy produktów i ich analizy.

Robi to, bazując m.in. na danych uzyskanych dzięki narzędziom Google DeepMind. Szkolone na gigantycznych bazach danych algorytmy uczenia maszynowego przewidziały istnienie setek tysięcy stabilnych materiałów. Dały w ten sposób wielu kandydatów, do których uzyskania A-Lab może dążyć w przyszłości.

Jednak nie wszyscy uczeni są przekonani, że to naprawdę możliwe. Pojawiły się głosy krytyczne.

Roboty i sztuczna inteligencja

Co może dać taka współpraca? Przede wszystkim może radykalnie przyspieszyć odkrywanie materiałów niezbędnych do rozwoju ekologicznych technologii nowej generacji. Mowa o elektronice, energetyce i wielu innych dziedzinach, jakie rozwinęły się skokowo w ostatnich dziesięcioleciach. Jednak uczyniły to, jednocześnie doprowadzając do znacznej degradacji środowiska.

– Wiele otaczających nas technologii, w tym baterie i ogniwa słoneczne, można naprawdę ulepszyć dzięki nowym materiałom – mówi Ekin Dogus Cubuk. To uczony kierujący zespołem ds. odkrywania materiałów w Google DeepMind w Londynie.

Ale uzyskanie takowych jest dla człowieka po prostu wyjątkowo żmudne i czasochłonne. Przez wieki pracy laboratoryjnej chemicy zsyntetyzowali kilkaset tysięcy związków nieorganicznych, czyli materiałów nieopartych na łańcuchach atomów węgla. Jednak badania sugerują, że takich związków mogą istnieć miliardy.

Niektóre projekty próbowały skrócić ścieżkę niezbędną do laboratoryjnego wygenerowania nowych materiałów. Wysiłki te przyniosły łącznie około 48 tys. stabilnych związków. A chociaż liczba ta robi wrażenie, to daleko jest jej do tego, co przewidział Google DeepMind.

Czym jest GNoME?

Przejęty kilka lat temu przez Google’a angielski startup stworzył system sztucznej inteligencji o nazwie Graph Networks for Materials Exploration (GNoME). Został on przeszkolony na danych pobranych m.in. z Materials Project i podobnych baz danych. Następnie GNoME zmodyfikował skład znanych materiałów, aby uzyskać 2,2 miliony potencjalnych związków chemicznych. Po obliczeniu, czy materiały te będą stabilne, i przewidzeniu ich struktury krystalicznej, system wygenerował ostateczną liczbę 381 tys. nowych związków nieorganicznych. Zostały one dodane do bazy danych Materials Project.

Jak to się stało, że GNoME przewiduje istnienie znacznie większej liczby nowych materiałów niż poprzednie systemy SI, które podjęły się tego zadania? Stosuje w tym celu kilka strategii. Na przykład, zamiast zmieniać wszystkie jony wapnia w materiale na magnez, może zastąpić tylko połowę z nich. Albo wypróbować szerszy zakres nietypowych zamian atomów.

Nie ma problemu, jeśli te poprawki nie działają. System eliminuje wszystko, co nie jest stabilne i uczy się na swoich błędach. – To jest jak ChatGPT do odkrywania materiałów – mówi o GNoME Carla Gomes, współdyrektor Cornell University AI for Science Institute w Ithaca w stanie Nowy Jork.

Autonomiczne laboratorium

Jedną rzeczą jest przewidzenie możliwości zaistnienia czegoś. Zupełnie inną – faktyczne wyprodukowanie danego związku w laboratorium. Właśnie tutaj na scenę wkracza A-Lab.

Laboratorium A-Lab wykorzystuje najnowocześniejszą robotykę do mieszania i podgrzewania sproszkowanych składników stałych. Następnie analizuje produkt, aby sprawdzić, czy procedura zadziałała. Budowa instalacji o wartości dwóch milionów dolarów zajęła 18 miesięcy. Jednak największym wyzwaniem było wykorzystanie sztucznej inteligencji do uczynienia systemu prawdziwie autonomicznym. Tak, aby mógł samodzielnie planować eksperymenty, interpretować dane i podejmować decyzje o tym, jak ulepszyć syntezę.

– Mamy teraz możliwość szybkiego wytwarzania tych nowych materiałów, które wymyślamy obliczeniowo – mówi Gerbrand Ceder, materiałoznawca z Lawrence Berkeley National Laborator (LBNL) i Uniwersytetu Kalifornijskiego w Berkeley. To on kierował zespołem A-Lab.

Analizując ponad 30 tys. opublikowanych procedur syntezy, A-Lab może ocenić podobieństwo każdego celu do istniejących materiałów. A także zaproponować składniki i temperatury reakcji potrzebne do jego wytworzenia. Następnie system wybiera składniki ze stojaka, przeprowadza syntezę i analizuje produkt. Jeśli po kilku próbach mniej niż połowa produktu jest materiałem docelowym, algorytm „aktywnego uczenia się” opracowuje lepszą procedurę. Wówczas robot zaczyna pracę od nowa.

Przyszłość inżynierii materiałowej

A-Lab potrzebował 17 dni, aby wyprodukować 41 nowych materiałów nieorganicznych. Dziewięć z nich powstało dopiero po udoskonaleniu syntezy przez aktywne uczenie się.

Systemy takie jak GNoME mogą tworzyć o wiele więcej prognoz obliczeniowych niż nawet autonomiczne laboratorium jest w stanie wykonać. Aby nieco przyspieszyć proces, konieczne będzie znacznie bardziej precyzyjne wyliczenie własności chemicznych i fizycznych nowych materiałów. Ale to może wydarzyć się szybciej, niż przypuszczamy.

Krytyka ze strony naukowców

Jednak po publikacji wyników GNoME i A-Lab pojawiły się głosy krytyczne. – Ta publikacja powinna zostać wycofana – twierdzi Robert Palgrave, chemik z University College London. Jego zdaniem nie wykazano, że w ten sposób powstały jakiekolwiek nowe materiały. – Nie sądzę, że cała praca poszła na marne. Jednak analiza materiałów to porażka. Kompletna – podkreśla Leslie Schoop, chemiczka z Princeton University.

Inni badacze podkreślają, że wyniki uzyskane za pomocą sztucznej inteligencji powinny spełniać w nauce równie wysokie standardy, jak te dostarczane przez ludzi. Dopracowania wymaga zwłaszcza mechanizm autonomicznego działania systemu.

Źródło: Nature.com [1] i [2].