Il sogno dell’IA di Google DeepMind ha immaginato 380.000 nuovi materiali. La sfida successiva è realizzarli.
Il sogno di Google DeepMind sull'IA ha immaginato 380.000 nuovi materiali. La prossima sfida è renderli realtà.
I cuochi robotici della linea di produzione erano immersi nella loro ricetta, impegnati in una stanza piena di attrezzature. In un angolo, un braccio articolato selezionava e mescolava gli ingredienti, mentre un altro scorreva avanti e indietro su una pista fissa, gestendo i forni. Un terzo era incaricato di impiattare, scuotendo con cura il contenuto di un crogiolo su un piatto. Gerbrand Ceder, uno scienziato dei materiali presso il Laboratorio Nazionale di Berkeley e la UC Berkeley, annuì approvando mentre un braccio robotico pizzicava delicatamente e sigillava un flacone di plastica vuoto – un compito particolarmente complicato e uno dei suoi preferiti da osservare. “Questi ragazzi possono lavorare tutta la notte”, disse Ceder, lanciando uno sguardo ironico ai suoi due studenti laureati.
Rifornito di ingredienti come ossido di nichel e carbonato di litio, l’installazione, chiamata A-Lab, è progettata per produrre nuovi materiali interessanti, soprattutto quelli che potrebbero essere utili per i futuri design delle batterie. I risultati possono essere imprevedibili. Anche uno scienziato umano di solito sbaglia una nuova ricetta la prima volta. Quindi a volte i robot producono una polvere bellissima. Altre volte è un pasticcio appiccicoso o tutto evapora e non rimane nulla. “A quel punto, gli umani dovrebbero prendere una decisione: cosa faccio adesso?” dice Ceder.
I robot sono destinati a fare lo stesso. Analizzano ciò che hanno creato, regolano la ricetta e riprovano. E ancora. E ancora. “Dai loro qualche ricetta al mattino e quando torni a casa potresti avere un bel soufflé nuovo di zecca”, dice la scienziata dei materiali Kristin Persson, stretta collaboratrice di Ceder al LBNL (e anche sua sposa). O potresti tornare solo a un pasticcio bruciato. “Ma almeno domani faranno un soufflé molto migliore”.
Recentemente, grazie a un programma di intelligenza artificiale sviluppato da Google DeepMind chiamato GNoME, la gamma di piatti disponibili per i robot di Ceder è cresciuta esponenzialmente. Il software è stato addestrato utilizzando dati tratti dal Materials Project, un database gratuito di 150.000 materiali conosciuti supervisionato da Persson. Utilizzando queste informazioni, il sistema di intelligenza artificiale ha ideato progetti per 2,2 milioni di nuovi cristalli, di cui 380.000 erano previsti essere stabili, ovvero poco probabili di decomposizione o esplosione, e quindi i candidati più plausibili per la sintesi in laboratorio, espandendo la gamma di materiali stabili conosciuti quasi dieci volte. In un articolo pubblicato oggi su Nature, gli autori scrivono che l’elettrolita a stato solido successivo, i materiali per celle solari o superconduttore ad alta temperatura potrebbero nascondersi all’interno di questo database ampliato.
La ricerca di questi aghi nel pagliaio inizia con la loro creazione effettiva, il che è ancora un motivo per lavorare velocemente e fare turni notturni. In un recente set di esperimenti presso il LBNL, pubblicato anche oggi su Nature, il laboratorio autonomo di Ceder è stato in grado di creare 41 dei materiali teorizzati in 17 giorni, contribuendo a convalidare sia il modello di intelligenza artificiale che le tecniche robotiche del laboratorio.
- Idea regalo La stampante fotografica Canon Ivy 2 Mini è in vendita ...
- Puoi ancora ottenere un Dyson Airwrap con uno sconto di $100 dopo i...
- GM Riduce le Spese sull’Unità Robotaxi Cruise, un Contraccolp...
Quando si decide se un materiale può effettivamente essere prodotto, che sia per mano umana o con bracci robotici, una delle prime domande da farsi è se è stabile. In linea generale, ciò significa che le sue particelle sono disposte nello stato di energia più bassa possibile. Altrimenti, il cristallo vorrà diventare qualcos’altro. Per migliaia di anni, le persone hanno costantemente aggiunto alla lista di materiali stabili, inizialmente osservando quelli trovati in natura o scoprendoli attraverso intuiti chimici di base o per caso. Più recentemente, i candidati sono stati progettati con l’aiuto dei computer.
Il problema, secondo Persson, è il pregiudizio: nel tempo, quella conoscenza collettiva ha finito per preferire certe strutture ed elementi familiari. Gli scienziati dei materiali chiamano questo l’effetto “Edison”, facendo riferimento alla sua rapida ricerca basata su tentativi ed errori per sviluppare un filamento per lampadina, testando migliaia di tipi di carbonio prima di arrivare a uno derivato dal bambù. Ci volle un altro decennio per trovare il tungsteno. “Era limitato dalla sua conoscenza”, dice Persson. “Era influenzato, era convinto”.
L’approccio di DeepMind mira a andare oltre questi pregiudizi. Il team ha iniziato con 69.000 materiali dalla libreria di Persson, che è gratuita da utilizzare e finanziata dal Dipartimento dell’Energia degli Stati Uniti. È stato un buon punto di partenza, perché il database contiene le informazioni energetiche dettagliate necessarie per capire perché alcuni materiali sono stabili e altri no. Ma non erano sufficienti dati per superare quella che il ricercatore di Google DeepMind, Ekin Dogus Cubuk, chiama “contraddizione filosofica” tra l’apprendimento automatico e la scienza empirica. Come Edison, l’intelligenza artificiale fatica a generare idee veramente nuove al di là di ciò che ha già visto. “In fisica, non vogliamo imparare cose che già conosciamo”, dice. “Vogliamo generalizzare fuori dal dominio” – che si tratti di scoprire una diversa classe di materiali per batterie o una nuova teoria di superconduttività.
GNoME si basa su un approccio chiamato apprendimento attivo. Innanzitutto, un’intelligenza artificiale chiamata rete neurale grafica, o GNN, utilizza il database per imparare i modelli nelle strutture stabili e capire come minimizzare l’energia nei legami atomici all’interno di nuove strutture. Utilizzando l’intera gamma della tavola periodica, produce poi migliaia di candidati potenzialmente stabili. Il passo successivo è verificarli e regolarli utilizzando una tecnica di meccanica quantistica chiamata teoria del funzionale densità, o DFT. Questi risultati affinati vengono quindi inseriti di nuovo nei dati di addestramento e il processo viene ripetuto.
I ricercatori hanno scoperto che, con molte ripetizioni, questo approccio poteva generare strutture più complesse rispetto a quelle presenti inizialmente nel set di dati di Materials Project, inclusi alcuni composti composti da cinque o sei elementi unici. (Il set di dati utilizzato per addestrare l’intelligenza artificiale raggiungeva principalmente un massimo di quattro elementi.) Questi tipi di materiali coinvolgono così tante complesse interazioni atomiche che solitamente sfuggono all’intuizione umana. “Era difficile trovarli”, dice Cubuk. “Ma ora non è più così difficile trovarli”.
Tuttavia, la DFT è solo una validazione teorica. Il passo successivo è effettivamente realizzare qualcosa. Quindi il team di Ceder ha scelto 58 cristalli da creare nell’A-Lab. Dopo aver preso in considerazione le capacità del laboratorio e i precursori disponibili, si è trattato di una selezione casuale. E inizialmente, come previsto, i robot hanno fallito, quindi hanno ripetutamente regolato le ricette. Dopo 17 giorni di esperimenti, l’A-Lab è riuscito a produrre 41 materiali, ovvero il 71%, a volte dopo aver provato una dozzina di ricette diverse.
Taylor Sparks, un chimico dei materiali presso l’Università dello Utah che non ha preso parte alla ricerca, afferma che è promettente vedere l’automazione all’opera per nuovi tipi di sintesi di materiali. Ma utilizzare l’intelligenza artificiale per proporre migliaia di nuovi materiali ipotetici e poi cercarli con l’automazione, semplicemente non è pratico, aggiunge. Le GNN sono sempre più utilizzate per sviluppare nuove idee per i materiali, ma di solito i ricercatori vogliono adattare i loro sforzi per produrre materiali con proprietà utili, non produrre ciecamente centinaia di migliaia di essi. “Abbiamo già avuto troppe cose che volevamo investigare di quante ne potessimo effettivamente fare fisicamente”, afferma. “Penso che la sfida sia questa: questa sintesi scalata sta raggiungendo la scala delle previsioni? Nemmeno lontanamente”.
Solo una frazione dei 380.000 materiali presenti nell’articolo di Nature avrà probabilmente la possibilità di essere messa in pratica. Alcuni coinvolgono elementi radioattivi o troppo costosi o rari. Alcuni richiederanno tipi di sintesi che coinvolgono condizioni estreme che non possono essere create in laboratorio, o precursori che i fornitori di laboratorio non hanno a disposizione.
Questo vale anche per i materiali che potrebbero benissimo avere il potenziale per la prossima cella fotovoltaica o il prossimo design di batterie. “Abbiamo creato molti materiali interessanti”, dice Persson. “Creare e testare questi materiali è sempre stato il collo di bottiglia, soprattutto se si tratta di un materiale che nessuno ha mai realizzato prima. Il numero di persone che posso chiamare nel mio circolo di amici che dicono ‘Certo, lascia che ci provi per te” è praticamente uno o due”.
“Davvero, è così alto?” interviene Ceder con una risata.
Anche se un materiale può essere creato, c’è una lunga strada da percorrere per trasformare un cristallo di base in un prodotto. Persson porta l’esempio di un elettrolita all’interno di una batteria al litio. Le previsioni sull’energia e sulla struttura di un cristallo possono essere applicate a problemi come capire quanto facilmente gli ioni di litio possono muoversi attraverso di esso, un aspetto chiave delle prestazioni. Quello che non può prevedere con altrettanta facilità è se quell’elettrolita reagirà con i materiali circostanti e distruggerà l’intero dispositivo. Inoltre, in generale, l’utilità dei nuovi materiali diventa evidente solo in combinazione con altri materiali o manipolando con additivi.
Tuttavia, l’ampia gamma di materiali espande le possibilità di sintesi e fornisce anche più dati per i futuri programmi di intelligenza artificiale, afferma Anatole von Lilienfeld, un chimico dei materiali presso l’Università di Toronto che non ha preso parte alla ricerca. Aiuta anche a spingere gli scienziati dei materiali lontano dai loro pregiudizi verso l’ignoto. “Ogni nuovo passo che si compie è fantastico”, dice. “Potrebbe aprire la strada a nuove classi di composti”.
Google è interessata anche ad esplorare le possibilità dei nuovi materiali generati da GNoME, afferma Pushmeet Kohli, vicepresidente della ricerca presso Google DeepMind. Paragona GNoME ad AlphaFold, il software dell’azienda che ha stupito i biologi strutturali con la sua abilità nel prevedere come si piegano le proteine. Entrambi affrontano problemi fondamentali creando un archivio di nuovi dati che gli scienziati possono esplorare ed espandere. Da qui, l’azienda prevede di lavorare su problemi più specifici, come focalizzarsi sulle interessanti proprietà dei materiali e utilizzare l’intelligenza artificiale per accelerare la sintesi. Entrambi sono problemi complessi, perché di solito ci sono molto meno dati rispetto alla previsione della stabilità.
Kohli afferma che l’azienda sta valutando le opzioni per lavorare in modo più diretto con materiali fisici, che sia tramite la collaborazione con laboratori esterni o il proseguimento delle partnership accademiche. Potrebbero anche creare il proprio laboratorio, aggiunge, facendo riferimento a Isomorphic Labs, una spinoff di scoperta di farmaci di DeepMind fondata nel 2021 a seguito del successo di AlphaFold.
Le cose potrebbero complicarsi per i ricercatori che cercano di dare un’utilità pratica ai materiali. Il Material Project è popolare sia presso i laboratori accademici che le società per permettere qualsiasi tipo di utilizzo, comprese le iniziative commerciali. I materiali di Google DeepMind vengono rilasciati sotto una licenza separata che vieta l’uso commerciale. “È rilasciato per scopi accademici”, afferma Kohli. “Se le persone desiderano esplorare partnership commerciali, ecc., le valuteremo caso per caso”.
Diversi scienziati che lavorano con i nuovi materiali hanno notato che non è chiaro quale ruolo avrebbe l’azienda se un test in un laboratorio accademico portasse a un possibile utilizzo commerciale di un materiale generato da GNoME. Un’idea per un nuovo cristallo, senza uno scopo particolare in mente, di solito non è brevettabile e sarebbe difficile risalire al database per tracciare la sua origine.
Kohli afferma anche che, sebbene i dati siano stati rilasciati, non ci sono piani attuali per rilasciare il modello GNoME. Cita considerazioni sulla sicurezza: teoricamente, il software potrebbe essere utilizzato per ideare materiali pericolosi, afferma, e c’è incertezza sulla strategia dei materiali di Google DeepMind. “È difficile fare previsioni sull’impatto commerciale”, dice Kohli.
Sparks si aspetta che i suoi colleghi accademici reagiscano negativamente alla mancanza di codice per GNoME, come fecero i biologi quando AlphaFold fu pubblicato inizialmente senza un modello completo. (L’azienda lo ha successivamente rilasciato.) “È triste”, dice. Altri scienziati dei materiali vorranno probabilmente riprodurre i risultati e indagare su come migliorare il modello o adattarlo a utilizzi specifici. Ma senza il modello, non potranno fare né l’uno né l’altro, afferma Sparks.
Nel frattempo, i ricercatori di Google DeepMind sperano che centinaia di migliaia di nuovi materiali siano sufficienti per tenere occupati i teorici e i sintetizzatori, sia umani che robotici. “Ogni tecnologia potrebbe essere migliorata con materiali migliori. È un punto critico”, dice Cubuk. “Ecco perché dobbiamo supportare il settore scoprendo più materiali e aiutando le persone a scoprirne ancora di più”.
