I materiali appena scoperti possono essere utilizzati per migliorare le celle solari, le batterie, i chip dei computer e altro ancora.
Dalle batterie per veicoli elettrici alle celle solari, ai microchip, i nuovi materiali possono dare un impulso decisivo alle innovazioni tecnologiche. Ma scoprirli di solito richiede mesi o addirittura anni di ricerca per tentativi ed errori.
Google DeepMind spera di cambiare le cose con un nuovo strumento che utilizza il deep learning per accelerare enormemente il processo di scoperta di nuovi materiali. Chiamata Reti Grafiche per l’Esplorazione dei Materiali (in inglese Graphical Networks for Material Exploration, da cui l’acronimo GNoME), la tecnologia è già stata utilizzata per prevedere le strutture di 2,2 milioni di nuovi materiali, di cui più di 700 sono stati creati in laboratorio e sono ora in fase di sperimentazione. La tecnologia è descritta in un articolo pubblicato su Nature.
Oltre a GNoME, il Lawrence Berkeley National Laboratory ha annunciato anche un nuovo laboratorio autonomo. Questo laboratorio prende i dati dal database dei materiali che include alcune delle scoperte di GNoME e utilizza l’apprendimento automatico e i bracci robotici per progettare nuovi materiali senza l’aiuto dell’uomo. Google DeepMind afferma che, insieme, questi progressi mostrano il potenziale dell’uso dell’intelligenza artificiale per aumentare la scoperta e lo sviluppo di nuovi materiali.
Secondo Ju Li, professore di Scienza dei materiali e Ingegneria presso il Massachusetts Institute of Technology, il GNoME può essere descritto come AlphaFold per la scoperta dei materiali. AlphaFold, un sistema di intelligenza artificiale di DeepMind annunciato nel 2020, predice le strutture delle proteine con elevata precisione e da allora ha fatto progredire la ricerca biologica e la scoperta di farmaci. Grazie a GNoME, il numero di materiali stabili conosciuti è quasi decuplicato, arrivando a 421.000. “Sebbene i materiali svolgano un ruolo fondamentale in quasi tutte le tecnologie, l’umanità conosce solo poche decine di migliaia di materiali stabili”, ha dichiarato Dogus Cubuk, responsabile della scoperta dei materiali presso Google DeepMind, in occasione di una conferenza stampa.
Per scoprire nuovi materiali, gli scienziati combinano gli elementi della tavola periodica. Ma poiché le combinazioni sono così numerose, è inefficiente eseguire questo processo alla cieca. I ricercatori si basano invece sulle strutture esistenti, apportando piccole modifiche nella speranza di scoprire nuove combinazioni che abbiano un potenziale. Tuttavia, questo processo minuzioso richiede ancora molto tempo. Inoltre, poiché si basa su strutture esistenti, limita il potenziale di scoperte inaspettate.
Per superare queste limitazioni, DeepMind combina due diversi modelli di deep learning. Il primo genera più di un miliardo di strutture apportando modifiche agli elementi dei materiali esistenti. Il secondo, invece, ignora le strutture esistenti e prevede la stabilità di nuovi materiali esclusivamente sulla base delle formule chimiche. La combinazione di questi due modelli consente una gamma di possibilità molto più ampia.
Una volta generate le strutture candidate, queste vengono filtrate dai modelli GNoME di DeepMind. I modelli prevedono l’energia di decomposizione di una determinata struttura, che è un indicatore importante di quanto il materiale possa essere stabile. I materiali “stabili” non si decompongono facilmente, il che è importante per l’ingegneria. GNoME seleziona i candidati più promettenti che vengono sottoposti a un’ulteriore valutazione basata su quadri teorici noti.
Questo processo viene ripetuto più volte e ogni scoperta viene incorporata nel ciclo di formazione successivo.
Nel primo ciclo, GNoME ha previsto la stabilità di diversi materiali con una precisione di circa il 5%, ma la precisione è aumentata rapidamente nel corso del processo di apprendimento iterativo. I risultati finali hanno mostrato che GNoME è riuscito a prevedere la stabilità delle strutture per oltre l’80% del tempo per il primo modello e per il 33% per il secondo.
L’uso di modelli di intelligenza artificiale per trovare nuovi materiali non è un’idea nuova. Il Materials Project, un programma guidato da Kristin Persson al Berkeley Lab, ha utilizzato tecniche simili per scoprire e migliorare la stabilità di 48.000 materiali.
Tuttavia, le dimensioni e la precisione di GNoME lo distinguono dagli sforzi precedenti. È stato addestrato su almeno un ordine di grandezza di dati in più rispetto a qualsiasi modello precedente, afferma Chris Bartel, professore assistente di Ingegneria chimica e Scienza dei materiali presso l’Università del Minnesota.
In passato, eseguire calcoli simili era costoso e limitato in scala, afferma Yifei Mo, professore associato di Scienza e Ingegneria dei materiali presso l’Università del Maryland. Il GNoME permette di scalare questi calcoli con una maggiore precisione e con un costo computazionale molto inferiore, afferma Mo: “L’impatto può essere enorme”.
Una volta identificati i nuovi materiali, è altrettanto importante sintetizzarli e dimostrarne l’utilità. Il nuovo laboratorio autonomo del Berkeley Lab, chiamato A-Lab, ha utilizzato alcune delle scoperte del GNoME con le informazioni del Materials Project, integrando la robotica con l’apprendimento automatico per ottimizzare lo sviluppo di tali materiali.
Il laboratorio è in grado di prendere decisioni autonome su come produrre un materiale proposto e crea fino a cinque formulazioni iniziali. Queste formulazioni sono generate da un modello di apprendimento automatico addestrato sulla letteratura scientifica esistente. Dopo ogni esperimento, il laboratorio utilizza i risultati per modificare le “ricette”.
I ricercatori del Berkeley Lab affermano che l’A-Lab è stato in grado di eseguire 355 esperimenti in 17 giorni e di sintetizzare con successo 41 dei 58 composti proposti. Ciò equivale a due sintesi di successo al giorno.
In un tipico laboratorio guidato dall’uomo, la produzione di materiali richiede molto più tempo. “Se si è sfortunati, possono volerci mesi o addirittura anni”, ha dichiarato Persson durante una conferenza stampa. La maggior parte degli studenti si arrende dopo poche settimane. “Ma all’A-Lab non importa fallire. Continua a provare e riprovare”.
I ricercatori di DeepMind e del Berkeley Lab sostengono che questi nuovi strumenti di intelligenza artificiale possono contribuire ad accelerare l’innovazione hardware nei settori dell’energia, dell’informatica e in molti altri settori.
“L’hardware, soprattutto quando si tratta di energia pulita, ha bisogno di innovazione se vogliamo risolvere la crisi climatica”, afferma Persson. “Questo è un aspetto dell’accelerazione dell’innovazione”.
Bartel, che non ha partecipato alla ricerca, afferma che questi materiali saranno promettenti candidati per tecnologie che spaziano dalle batterie ai chip per computer, dalla ceramica all’elettronica.
I conduttori delle batterie agli ioni di litio sono uno dei casi d’uso più promettenti. I conduttori svolgono un ruolo importante nelle batterie, facilitando il flusso di corrente elettrica tra i vari componenti. DeepMind afferma che GNoME ha identificato 528 conduttori promettenti per gli ioni di litio, tra le altre scoperte, alcune delle quali possono contribuire a rendere le batterie più efficienti.
Tuttavia, anche dopo la scoperta di nuovi materiali, di solito ci vogliono decenni prima che le industrie li portino allo stadio commerciale. “Se riuscissimo a ridurre i tempi a cinque anni, sarebbe un grande miglioramento”, afferma Cubuk.
