Google DeepMinds neue KI hat mehr als 700 Materialien entwickelt, etwa für EV-Batterien und Photovoltaik
Google DeepMinds neue KI hat zahlreiche neue Materialien entwickelt, beispielsweise für E-Auto-Batterien der nächsten Generation, Photovoltaik, Computerchips oder Supraleiter. Die neue Technologie namens GNoME (graphical networks for material exploration) hat Strukturen von rund 2,2 Millionen neuen Materialien identifiziert - das entspricht dem Wissen von fast 800 Jahren.
Darunter befinden sich rund 380.000 stabile Materialien, die zukünftige Technologien antreiben könnten. 736 davon werden nun in externen Labors weltweit von verschiedenen Forschern hergestellt und experimentell getestet. Laut DeepMind hat GNoME beispielsweise 528 vielversprechende Lithium-Ionen-Leiter ermittelt, von denen einige dazu beitragen könnten, Batterien effizienter zu machen.
Obwohl Materialien in fast jeder Technologie eine entscheidende Rolle spielen, kennen wir als Menschheit nur einige zehntausend stabile Materialien.
- Dogus Cubuk, Leiter der Materialforschung bei Google DeepMind
Obwohl der Einsatz von KI zur Entwicklung neuer Materialien mittlerweile gängige Praxis ist, sticht GNoMe durch seine Größenordnung und Präzision hervor. Laut Chris Bartel, Assistenzprofessor für Chemieingenieurwesen und Materialwissenschaften an der Universität von Minnesota, wurde GNoMe mit einer deutlich größeren Datenmenge trainiert als vergleichbare Projekte.
Hardware, insbesondere wenn es um saubere Energie geht, braucht Innovation, wenn wir die Klimakrise lösen wollen. Dies ist ein Aspekt, um diese Innovation zu beschleunigen.
- Kristin Persson, Leiterin des Materials Project am Berkeley Lab
Forscher arbeiten normalerweise oftmals jahrelang daran, einzelne Materialien zu entwickeln, die auf bestehenden Strukturen aufbauen, in der Hoffnung, neue Kombinationen zu entdecken. Dank des Deep-Learning-Tools kann diese Forschung nun um ein Vielfaches beschleunigt werden. Das Lawrence Berkeley National Laboratory hat gemeinsam mit Google DeepMind zwei Artikel in der Fachzeitschrift Nature veröffentlicht. In einem davon wird beschrieben, wie KI-Vorhersagen für autonome Materialsynthesen genutzt werden können.
Ein entscheidendes Problem bleibt jedoch bestehen: Die Marktreife neuer Materialien lässt oft lange auf sich warten.
Wenn wir diese Zeitspanne auf fünf Jahre verkürzen können, wäre das eine große Verbesserung.
- Dogus Cubuk
Im A-Lab, einem neuen autonomen Labor des Berkeley Lab, wird unter anderem die tatsächliche Nützlichkeit neuer Materialien erforscht. Durch die Kombination von Robotik und maschinellem Lernen werden Prozesse beschleunigt. Es wurden im neuen Labor beispielsweise 355 Experimente in 17 Tagen durchgeführt und 41 von 58 vorgeschlagenen Verbindungen erfolgreich synthetisiert. Im Vergleich dazu dauert es bei menschlichen Forschern deutlich länger.
Wenn man Pech hat, kann es Monate oder sogar Jahre dauern. Die meisten Studenten geben nach ein paar Wochen auf. Aber dem A-Lab macht es nichts aus zu scheitern. Es versucht es weiter und weiter.
- Kristin Persson
Quelle(n)
