DeepMind 'ontdekt' met AI 2,2 miljoen anorganische materialen

DeepMind van Google heeft met hulp van kunstmatige intelligentie de samenstelling van 2,2 miljoen anorganische materialen berekend die stabiel zouden moeten zijn. Daarmee wordt het aantal mogelijke materialen voor allerlei producten veel groter.

De onderzoekers van DeepMind zeggen in hun Nature-artikel dat 'graph neural networks' op basis van 48.000 bestaande materialen samenstellingen voor nieuwe materialen hebben verzameld. Daardoor is er nu een verzameling van 421.000 materialen en dat zijn er 381.000 meer dan er waren. De overige materialen concurreren om stabiliteit en komen daardoor niet beschikbaar voor andere wetenschappers.

De bedoeling is om tussen die materialen geschikte structuren te vinden die bijvoorbeeld accu's en zonnepanelen zouden kunnen verbeteren. Het testen van nieuwe materialen kan in een geautomatiseerd laboratorium als A-Lab, waardoor er snel praktische testresultaten van veelbelovende materialen kunnen komen.

Door Arnoud Wokke

Redacteur Tweakers

29-11-2023 • 19:01

47

Reacties (47)

Sorteer op:

Weergave:

De overige materialen concurreren om stabiliteit en komen daardoor niet beschikbaar voor andere wetenschappers.
Kan iemand dit anders omschrijven want ik begrijp niet wat hiermee bedoeld wordt?
Het artikel hier is wat karig maar in het artikel in Nature staat het volgende
Stable discoveries that are on the final convex hull will be made available to screen for technological applications
Als ik het goed begrijp betekend dit effectief dat niet alle materialen die door DeepMind 'ontdekt' zijn thermodynamisch stabiel zijn en na verloop van tijd zouden degraderen. Deze zullen dus niet beschikbar worden gemaakt. Deze 'convex hull' betreft dus het thermodynamisch stabiele gebied.
Consistent with other literature on structure prediction, the GNoME materials could be bumped off the convex hull by future discoveries, similar to how GNoME displaces at least 5,000 ‘stable’ materials from the Materials Project and the OQMD
Lijkt te impliceren dat het nog wel eens voorkomt dat een theoretisch materiaal na nader onderzoek echter thermodynamisch onstabiel blijkt te zijn en dus toch buiten eerdergenoemde 'hull' te vallen

[Reactie gewijzigd door Lanfear89 op 23 juli 2024 04:56]

Heel eenvoudig geprobeerd:

Een molecuul probeert altijd een stabiele vorm te vinden, in termen van lading. Elke atoom van een molecuul heeft een 'voorkeur' voor de lading die het nodig heeft. Als elke atoom in de molecuul zijn 'voorkeur' heeft, spreek je van een stabiele verbinding. Het kan echter zo zijn dat een atoom strijdt met een andere atoom die een sterkere aantrekkingskracht heeft: die trekt de benodigde elektronen weg. Als dit het geval is dan spreek je van een instabiele verbinding.

Het ligt complexer dan dit, maar hopelijk helpt het wel met het begrip van dit artikel.
zoals ik het oorspronkelijke artikel lees is het een wat vreemde omschrijving voor materialen die vervallen in componenten, simpel voorbeeld: geschifte mayonaise, het mengsel (geen materiaal zoals in het artikel) bindt niet en blijft vervallen naar olie en eigeel (de azijn, het citroensap en water mengen wel zonder probleem).
Omdat ik het zelf ook wat beter wou begrijpen even door ChatGPT gejaagd.

In de context van het artikel, wanneer men spreekt over het "voorspellen van stabiliteit" van materialen, verwijst dit naar het vermogen van de deep learning-modellen, zoals Graph Neural Networks (GNNs), om de structurele en thermodynamische stabiliteit van nieuwe materialen te voorspellen. Dit omvat aspecten als:
  • Structurele Stabiliteit: Het beoordelen of een materiaal een stabiele kristalstructuur kan vormen onder bepaalde omstandigheden, zoals druk en temperatuur. Een structureel stabiel materiaal behoudt zijn vorm en is niet vatbaar voor snelle degradatie of transformatie naar een andere structuur.
  • Thermodynamische Stabiliteit: Dit betreft de energiestatus van een materiaal. Een thermodynamisch stabiel materiaal heeft een lage vrije energie in vergelijking met andere mogelijke fasen of structuren, wat betekent dat het niet spontaan zal veranderen in een andere vorm of samenstelling onder normale omstandigheden.

[Reactie gewijzigd door Myri op 23 juli 2024 04:56]

Verbindingen vallen uit elkaar, simpele vergelijking is bvb olie en water mengen,hoe goed je ook mengt de olie drijft na korte tijd terug boven. Is niet echt een correcte vergelijking natuurlijk.
De onderzoekers van DeepMind zeggen in hun Nature-artikel dat 'graph neural networks' op basis van 48.000 bestaande materialen samenstellingen voor nieuwe materialen hebben verzameld. Daardoor is er nu een verzameling van 421.000 materialen en dat zijn er 381.000 meer dan er waren.
421.000 - 381.000 = 40.000 materialen die er zouden geweest moeten zijn.
Waar haalden de onderzoekers dan die 8.000 extra bestaande materialen vandaan?
Uit het originele artikel gehaald:

2,2 miljoen: De slimme computermodellen, genaamd GNoME, hebben meer dan 2,2 miljoen nieuwe kristalstructuren gevonden. Dit zijn structuren die nog niet bekend waren en die mogelijk stabiel zijn. Dit is een heel groot aantal en toont aan hoe krachtig deze modellen zijn in het vinden van nieuwe materialen.
381.000: Van deze 2,2 miljoen gevonden structuren, zijn er 381.000 die echt nieuw en bijzonder interessant zijn omdat ze op de 'convex hull' staan. Dit betekent dat ze uniek en potentieel zeer waardevol zijn voor verdere toepassingen, zoals in batterijen of elektronica.
421.000: Als we deze 381.000 nieuwe structuren optellen bij de structuren die al bekend waren, komen we op een totaal van 421.000 stabiele kristalstructuren. Dit laat zien dat de ontdekking van GNoME een enorme bijdrage heeft geleverd aan wat we weten over stabiele materialen.
48.000: Voordat de GNoME-modellen werden gebruikt, waren er al ongeveer 48.000 stabiele kristallen geïdentificeerd door eerdere onderzoeken. Dit was de basisinformatie waarmee de GNoME-modellen begonnen.

Van die 48.000 reeds bekende stabiele kristallen die gebruikt zijn als basis voor de GNoME-modellen, stonden er dus reeds ca. 40.000 op de 'convex hull'.

[Reactie gewijzigd door airliner op 23 juli 2024 04:56]

Ik had het originele artikel (snel) gelezen, maar kon dat er zo niet direct uit halen. Bedankt voor de toelichting!
Volgens mij zijn dat de overige materialen
De overige materialen concurreren om stabiliteit en komen daardoor niet beschikbaar voor andere wetenschappers.
Het lijkt me dat het artikel beetje kort door de bocht vertaald is (niet dat ik het beter doe). Die 48000 "bestaande" materialen zijn ook maar experimentele materialen. Dus ik vermoed dat het éne niet noodzakelijk te herleiden is tot het andere.
Van het kleine beetje scheikunde waarmee ik bekend ben, vraag ik mij af of hier anorganische materialen wordt bedoeld.
Er wordt vrijwel zeker anorganische materialen bedoeld. Anorganische stoffen zijn metalen, zouten, mineralen en water (al zullen er meer zijn): als er maar (g)een C in zit. En als je het periodiek systeem bekijkt, zie je dat er maar liefst 82 (stabiele) elementen zijn, zonder koolstof. Je kan je realiseren dat daar aardig veel combinaties van te maken zijn, waardoor het vrij gemakkelijk is om die 421.000 stoffen te maken.
Zonder koolstof zijn het er 79, technitium en promethium hebben geen stabiele isotopen.
anorganisch materiaal
Grondstoffen die geen koolwaterstof of enige derivaten daarvan bevatten.
HCN wordt niet tot de organische stoffen gerekend voor zover ik weet.
Dan is de definitie verkeerd :(
Volgens Google is het wel een organische stof:

"Hydrogen cyanide, also known as cyanide or HCN, belongs to the class of organic compounds known as nitriles. Nitriles are compounds having the structure RC#N; thus C-substituted derivatives of hydrocyanic acid, HC#N. Hydrogen cyanide exists in all living organisms, ranging from bacteria to humans."
Why hydrogen cyanide is not an organic compound?
Answer. Answer: By most definitions, HCN, which contains H, C and N all connected by covalent bonds, is organic, nonetheless for arbitrary reasons, it is generally considered an inorganic molecule. “Organic are all carbon compounds, except CO, CO₂, carbonic acid and the carbonate salts with no carbon in the cation. Een andere Google zoekactie :).
Ja, "inorganisch" is een anglicisme.
Hoe vordert europa op dit gebied?
DeepMind is een onderdeel van Google maar is gevestigd in Londen, er werken dus heel wat Europeanen.
Valt me op dat dergelijke artikelen over toepassingen van materialen altijd ook batterijen noemen. Logisch want dan staan investeerders in de rij. Maar is het echt zo?
Energieopslag is een onderwerp dat gewoon enorm veel waarde heeft, maatschappelijk, ecologisch en financieel. We hebben het nodig voor de energietransitie, mobiliteit, smartphones, personal audio.

Veel van de problemen zijn goed gedefinieerd en het is makkelijk om voorspellingen te doen van de performance van materialen als je ze inzet in batterijtechnologie.

Zoals je zelf zegt valt er ook goed geld mee te verdienen.

[Reactie gewijzigd door klonic op 23 juli 2024 04:56]

Dat moet nog blijken, maar de studie naar nieuwe materialen is zeker belangrijk voor de ontwikkeling van batterijen en vergelijkbare technologie (zoals brandstofcellen, electrolyse apparatuur, etc.; alles met anodes en kathodes grofweg).
Ik heb der de ballen verstand van maar vindt dit soort positieve ontwikkelingen geweldig :)

[Reactie gewijzigd door derhenno op 23 juli 2024 04:56]

Hier nog zo een, ik zit hier genietend te lezen, respect voor deze mensen (scheikundigen?) die deze verbindingen kennen en diegene die ontdekt zijn, controleren.
Wel een (stomme) vraag, checkt de AI ook die verbindingen, die fout voor ons kunnen zijn?
Voorbeeldje, benzine en lood, fluor en koeling, perchloor, alcohol en nicotine en dat soort samenstellingen die funest voor ons zijn/waren. Of kijk ik dan als leek, te oppervlakkig?
Zijn die verbindingen nu vrij te gebruiken of zijn die direct gepatenteerd?
Ik denk dat de gevonden verbindingen dusdanig theoretisch zijn, dat het merendeel niet bruikbaar is of geen praktische toepassing heeft. Bijvoorbeeld doordat het proces om de verbinding te creëren onmogelijk is, of dat het uiteindelijke molecuul bijvoorbeeld uit snel elkaar valt onder UV licht, dat soort dingen. De eigenschappen van de moleculen komen niet uit het AI model, maar het kan wel denk en verdere studierichtingen naar nieuwe materialen behoorlijk versnellen.
50 tot 100 keer meer samples per dag dan wat een mens kan... het gaat anders allemaal niet zo snel in dat filmpje, je ziet een paar robotarmen die op hun dooie gemak potjes van het ene naar het andere bakje brengen. Wat een snelheid... :+
Och, ik vermoed dat over een jaar of 40-50 bijna alle experimentele labwerk overbodig is en vrijwel alles eerst door computers wordt berekend en in het lab enkel nog nagekeken wordt of de theorie ook klopt met de werkelijkheid.
En daar gaat het dus mis. Serendipiteit speelt een grote rol in de wetenschap. Een computer zal alleen aan de slag gaan met wat je er in stopt. Ruimte voor ‘letterlijk’ stom toeval is er niet. Vandaag op het lab gaf iemand nog toe een buisje van een experiment te zijn vergeten. Na een lange tijd bleek dat precies te bevatten wat men zocht. Een AI zal die ‘stomme’ fout nooit maken.
AI brengt juist afwijkingen/ruis aan op bestaande samenstellingen en kijkt of deze stabiel zijn. De kans dat een fout spontaan goed is zal veel kleiner zijn dan een actieve AI zoektocht.
dan snap je dus niet wat serendipity is:

Stel ik geef de AI de bestaande samenstellingen, die kijkt of er stabiele combinaties zijn die we nog niet kennen en komt tot de conclusie dat combinatie 765376 onstabiel is --> exit

Serendipity is dus dat een onderzoeker potje 765376 per ongeluk toch niet weggooit, maar ziet dat er na een maand tóch een stabiele stof is ontstaan, waardoor er nieuwe ideeën voor synthese ontstaan die de AI dus weggegooid zou hebben. Exact dit komt vaker voor dan je denkt.
Toevalstreffers worden gedaan als er veel verborgen kansen op succes zijn. Wanneer AI bijna al deze toevalstreffers al trefzeker blootlegt zal de kans op nieuwe toevalstreffers richting 0 gaan. En het voorbeeld wat u geeft slaat nergens op: Want dat na een maand een stabiele stof ontstaat is niet alleen zeer onwaarschijnlijk maar de AI had die stof waarschijnlijk al voorspeld. En dan was de stof op een andere manier al gesynthetiseerd. Bij andere processen (zoals biologische) kunt u echter wel gelijk hebben omdat daar veel meer factoren meespelen en de uitkomsten diverser zijn. Maar daar ging het artikel niet over.
Dit is meer een kwestie van semantiek. In ons geval gaat het om een biologisch proces met een extreem trage reactie.

De kans dat AI , binnen de opgegeven zoekruimte, de voorspelling al doet gaat inderdaad naar een maximum. Daarom gebruiken we ook die AI modellen

De kans op toeval, buiten de opgegeven zoekruimte, is echter een contante. Dat nuance verschil is de basis van serendipiteit. Zodra je daarvoor open staat kun je de zoekruimte aanpassen en verdere optimalisatie door AI laten doen

[Reactie gewijzigd door divvid op 23 juli 2024 04:56]

Daar gaat het juist net goed. Nu wordt maar eens om de zoveel jaar door een stommigheid van een mens een toevallige ontdekking gedaan.
Met AI vallen de stomme toevallige ontdekkingen weg, en komt er een constante stroom aan verse nieuwe ontdekkingen en afgeleiden. Daar wil je die "af en toe ontdekking" graag voor inruilen.
Lees dan nog eens goed: het gaat niet om de combinaties en wat daarin gevonden wordt, dat is primair en inderdaad veel efficiënter.

Serendipity draait juist om de onwaarschijnlijkheden die je dus niet in je model meeneemt in dit geval. Een AI zal nooit de oneindige hoeveelheid mogelijke toevalligheden, variërend van vergeten buisjes tot foute instellingen van een incubator, meenemen in z’n model. Die kans veranderd niet, al heb je nog zo’n uitgebreid AI model

Het is dus én én

[Reactie gewijzigd door divvid op 23 juli 2024 04:56]

Nou niet per sé, want stel dat je testen moet doen op 20 graden celcius, en door een menselijke fout doe je een test op 40 graden celcius en plots ontdek je zo een nieuwe substantie..

Je test maar binnen die 20 graden en omgeving want meerdere temperaturen testen is te duur.

Zo een AI kan alle temperaturen van 2 tot 200 graden testen, al dan niet virtueel. Daar zal dan geen toevallige fout meer inzitten, maar die zit al in de veel grotere scope van je experimenten.
Tja, zo kan je doorgaan, tot in het oneindige en dan nèt dat ene dingetje niet….serendipity is dus door een toevalligheid nét wel dat ene dingetje dat toch stiekem buiten de scope viel. Dat ga je niet modelleren.
Zo gaat het natuurlijk ook blijven doorgaan, exponentieel tot in het oneindige.. en 24/7.

Ik denk dat in de toekomst de "foutenmarge" zoals wij die bij de mens handhaven heel erg verkleind gaat worden, wat dan zeer confronterend zal zijn voor de mens zelf, het besef dat wij eigenlijk echt lomp zijn.
Robot is misschien trager maar doet wel altijd hetzelfde en kan 24-7 werken zonder "gezaag" ;)
Jammer, ik las de titel en had even gehoopt dat Unobtainium ontdekt was.
Thanks, die ga ik morgen maar weer eens kijken
Ik kwam hier eigenlijk voor de bloopers.

Zou er nou niet een nieuw soort olifanten-tandpasta zijn uitgevonden? Of iets extreem corrosiefs of explosiefs ofzo?

Op dit item kan niet meer gereageerd worden.