Google DeepMind's AI tool GNoME predicted 2.2 million new materials using graph neural networks, equivalent to 800 years of human discovery. Over 700 candidates were synthesized and tested with robotic labs, with predictions showing over 90% accuracy. Examples include copper-zinc-tin sulfide for solar cells and lithium iron phosphate for batteries.
Questions this video answers
Graphennetzwerke für die Materialerkundung
2.2 million (2,2 Millionen)
About 800 years ("was fast 800 Jahren an Wissen entspricht")
Over 700 ("über 700 dieser Materialien im Labor hergestellt und getestet")
Over 90% ("Erfolgsrate von über 90 Prozent")
Chapters
Google DeepMind. Die Köpfe hinter dem KI System AlphaFold, das Proteinstrukturen vorhersagt, haben jetzt ein weiteres bemerkenswertes KI Tool. Gnome. Dieses neue Tool ist ein Gamer auf dem Gebiet der KI und kann Hunderttausende, vielleicht sogar Millionen neuer Materialien in beispiellosem Tempo entdecken. In diesem Video erkläre ich, worum es bei Gnome geht, wie es funktioniert und welche erheblichen Auswirkungen es auf die Materialwissenschaften und andere Bereiche haben wird. NOME ist ein Tool, das für einen ganz besonderen Zweck in der Wissenschaft entwickelt die Entdeckung neuer Materialien. Sein vollständiger Name lautet Graphennetzwerke für die Materialerkundung. Dabei wird mit Hilfe von Deep Learning, einer Art künstlicher Intelligenz, die Struktur und Eigenschaften neuer Materialien allein anhand ihrer chemischen Zusammensetzung ermittelt. Warum ist das wichtig? Nun, Materialien spielen eine große Rolle in unserem Leben. Sie sind in allem enthalten, von Solarmodulen auf Dächern über die Akkus in unseren Telefonen bis hin zu den Chips in unseren Computern. Wenn wir Materialien finden, die besser, billiger oder umweltfreundliche freundlicher sind, könnte dies wirklich dazu beitragen, große Probleme wie die Energiespeicherung anzugehen. Normalerweise ist die Suche nach diesen neuen Materialien ein langer und schwieriger Prozess. Wissenschaftler verbringen Jahre damit, verschiedene Elemente zu mischen und zu testen, um die richtige Kombination mit den gewünschten Eigenschaften zu erhalten. Und selbst wenn Sie etwas finden, das funktioniert, verstehen Sie möglicherweise nicht ganz, warum oder wie Sie es noch besser machen können. Hier kommt Gnome ins Es betrachtet alle Informationen, die wir bereits über Materialien haben, und verwendet diese, um neue Materialien vorherzusagen. Es kann uns schnell mitteilen, ob ein Material stabil sein wird, wie viel Energie zu seiner Herstellung benötigt wird und welche Struktur es hat. Das Erstaunliche daran ist, dass Gnome diese Analyse für Millionen von Materialien in nur wenigen Stunden durchführen kann, eine Aufgabe, die normalerweise Jahre dauern würde. Gnome und AlphaFold von Google DeepMind verwenden beide Deep Learning für unterschiedliche Zwecke. AlphaFold arbeitet an der Vorhersage von Proteinformen, die für das Leben entscheidend sind und aus Aminosäuren bestehen, die sich auf komplexe Weise falten. Gnome hingegen sagt Materialstrukturen voraus. Es konzentriert sich darauf, wie Atome, die Bausteine von Materialien, zusammenkommen, um verschiedene Kristallformen zu bilden. Was hat Gnome also bisher erreicht? In einem kürzlich in Nature veröffentlichten Artikel berichten Google DeepMind und seine Mitarbeiter. Über einige erstaunliche Ergebnisse. Sie verwendeten GNOME, um die Strukturen von 2,2 Millionen neuen Materialien vorherzusagen. Was fast 800 Jahren an Wissen entspricht. Und das war noch nicht alles. Sie haben außerdem über 700 dieser Materialien im Labor hergestellt und getestet. Dabei nutzten sie ein Robotersystem, das neue Materialien automatisch synthetisieren und charakterisieren kann. Und wissen Sie was? Sie stellten fest, dass die Vorhersagen von GNOME mit einer Erfolgsrate von über 90 Prozent sehr genau waren. Gnome arbeitet mit zwei Hauptmodellen. Das erste, die Stabilität von GNOME, sagt voraus, wie wahrscheinlich es ist, dass ein Material basierend auf seiner Zusammensetzung stabil ist. Wenn Sie beispielsweise Eisen und Sauerstoff eingeben, wird bewertet, ob diese ein stabiles Material bilden können. Dieses Modell verwendet ein GRAPH neuronales Netzwerk zur Verarbeitung von Daten, wobei es Materialien als ein Netzwerk aus Atomen, Knoten, die durch Bindungen verbunden sind, und Kanten darstellt. Das zweite Modell, die GNOME Zerlegung, berechnet die Energie, die erforderlich ist, um ein Material zu zersetzen. Es berücksichtigt die Zusammensetzung und Stabilität des Materials, wie beispielsweise Eisenoxid, und ermittelt die Energie, die benötigt wird, um es wieder in Eisen und Sauerstoff zu zerlegen. Dieses Modell verwendet ein für sequentielle Daten wie Text geeignetes Transformatornetzwerk, um die Abfolge der Materialkomponenten zu analysieren. Zusammen ermöglichen diese Modelle GNOME die Bewertung einer breiten Palette von Materialien von einfach bis komplex und helfen dabei, die vielversprechendsten für weitere Studien anhand ihrer Stabilität und Zersetzungsenergie zu identifizieren. Sehen wir uns nun einige Beispiele für Materialien an, die GNOME entdeckt hat. Diese Materialien, die in Laboren mit Hilfe von Robotern synthetisiert und getestet wurden, sind vielversprechend für den Einsatz in Solarzellen, Batterien und Computerchips. Kupfer Zink Zinnsulfid eignet sich beispielsweise hervorragend für Dünnschicht Solarzellen. Es ist kostengünstiger und flexibler als herkömmliche Zellen und eignet sich hervorragend zur Umwandlung von Sonnenlicht in Strom. Die Vorhersagen von GNOME hinsichtlich seiner Stabilität und des geringen Ausfallrisikos wurden durch Labortests bestätigt. Ein weiteres Material, Lithium Eisenphosphat, eignet sich ideal für Kathoden von Lithium Ionen Batterien, die in Elektrofahrzeugen und Geräten verwendet werden. Es ist energieeffizient und langlebig, und GNOME hat seine Stabilität genau vorhergesagt, was durch Labortests bestätigt wurde. Zink Zinnitrit könnte die Herstellung von Transistoren für Computerchips revolutionieren. Es leitet Strom schnell und schaltet effizient zwischen ein und aus Zuständen. Die Vorhersagen von Gnome über seine strukturelle Stabilität und geringe Zersetzung wurden im Labor ebenfalls bestätigt. Gnomes unglaubliche Reise in unerforschte Materialgebiete zeigt uns also, wie sehr KI unsere Welt verändern kann. Vergesst nicht auf den Abonnieren Button zu klicken und diesem Video ein Gefällt mir zu geben, wenn ihr von dieser Technologie genauso begeistert seid wie wir. Vielen Dank fürs Zuschauen und bis zum nächsten Mal.
