آزمایشگاه برکلی، با استفاده از یک پایگاه داده متمایز به نام “پروژه مواد” که خصوصیات مواد شناخته شده و پیش‌بینی شده را محاسبه می‌کند، با استفاده از DeepMind، هوش مصنوعی پیشرفته گوگل، توانسته است ۴۰۰,۰۰۰ ماده جدید را به این پایگاه داده اضافه کند.
به گزارش تکناک این کار به دانشمندان این امکان را می‌دهد که تعداد بیشتری از مواد را بررسی کنند و موادی را که برای فناوری‌های آینده قابل استفاده هستند، شناسایی کنند.
کریستین پرسون، بنیان‌گذار و مدیر “پروژه مواد” در آزمایشگاه برکلی و استاد دانشگاه UC برکلی، تاکید کرده است: «برای پاسخ به چالش‌های محیطی و آب و هوایی جهان، ما باید مواد جدیدی خلق کنیم.»
پرسون افزود: «با نوآوری در مواد، ما می‌توانیم پلاستیک‌های قابل بازیافت تولید کنیم، از ضایعات انرژی به دست آوریم، باتری‌های بهتری بسازیم و پنل‌های خورشیدی ارزان‌تری که عمر طولانی‌تری دارند بسازیم.»
کمک DeepMind به آزمایشگاه برکلی شامل اطلاعات مربوط به نحوه چینش بلوک‌های ساختاری کوچک مواد، که به آنها اتم‌ها گفته می‌شود، می‌باشد. پرسون توضیح داده که تولید ماده جدید، کاری پیچیده و زمان‌بر است و از مرحله محاسبه تا تجاری‌سازی زمان قابل توجهی طلب می‌کند.
برای خلق این مواد نوین، DeepMind از یک ابزار یادگیری عمیق به نام GNoME یا شبکه‌های گراف برای کشف مواد استفاده کرده است. این سیستم با استفاده از داده‌های پروژه مواد آموزش دیده شده است. نتیجه این بوده که میلیون‌ها ساختار بلوری ایجاد شده و حدود ۴۰۰,۰۰۰ تایی که پایدار و کاربردی به نظر می‌رسیدند، انتخاب شده‌اند.
اکین دوگوس چوبوک، رئیس تیم کشف مواد در گوگل DeepMind، ابراز امیدواری کرده که پروژه GNoME به پیشرفت تحقیقات در زمینه بلورهای غیرآلی کمک کند. او گفته که پژوهشگران خارجی توانسته‌اند بیش از ۷۳۶ ماده جدید GNoME را از طریق آزمایش‌های فیزیکی مستقل و همزمان تأیید کنند، نشان‌دهنده این است که یافته‌های مدل آنها قابلیت تحقق در آزمایشگاه‌ها را دارد.
پژوهشگران همچنین از اطلاعات محاسباتی GNoME و پروژه‌ی مواد در آزمایشگاه A-Lab استفاده کرده‌اند. این آزمایشگاه مجهز به ربات‌های هوشمندی است که توسط هوش مصنوعی هدایت شده و با کمک اندک انسان‌ها توانایی ساخت مواد جدید را دارند. در مدت تنها ۱۷ روز، A-Lab موفق به تولید ۴۱ ترکیب جدید شده، که بسیار سریع‌تر از روش‌های سنتی است که ممکن است ماه‌ها برای ساخت یک ماده جدید صرف شود.
یان زنگ، دانشمند ارشد و رهبر A-Lab، توضیح داده که حرف “A” در نام A-Lab به معانی مختلفی چون هوش مصنوعی (AI)، خودکار (automated)، شتاب‌دهنده (accelerated) و مجرد (abstracted) اشاره دارد.
گرد سدر، محقق اصلی A-Lab و دانشمند در آزمایشگاه برکلی و دانشگاه UC برکلی، از نرخ موفقیت شگفت‌انگیز ۷۱% در تولید مواد جدید خبر داده و اشاره کرده که راه‌هایی برای بهبود این نرخ در دست بررسی است. او اظهار داشته که ترکیب نظریه و داده‌ها با خودکارسازی نتایج باورنکردنی به همراه داشته و افزایش تعداد نقاط داده در پروژه‌ی مواد به انتخاب‌های هوشمندانه‌تر منجر می‌شود.
کریستین پرسون تاکید کرده که هدف از این همکاری، استفاده از داده‌ها برای فعال کردن اکتشاف مبتنی بر داده و در نهایت ارائه فرصت‌های بیشتر و قابل اجرا برای شرکت‌ها می‌باشد.
این مطالعه در مجله‌ی Nature منتشر شده است.
