Google DeepMind’ın yeni yapay zeka aracı 700’den fazla yeni materyal oluşturulmasına yardımcı oldu
Massachusetts Teknoloji Enstitüsü’nde malzeme bilimi ve mühendisliği profesörü Ju Li’ye göre GNoME, malzeme keşfi için AlphaFold olarak tanımlanabilir. 2020’de duyurulan bir DeepMind yapay zeka sistemi olan AlphaFold, proteinlerin yapılarını yüksek doğrulukla tahmin ediyor ve o zamandan beri gelişmiş biyolojik araştırma ve ilaç keşfine sahip. GNoME sayesinde bilinen kararlı malzemelerin sayısı neredeyse on kat artarak 421.000’e çıktı.
Google DeepMind malzeme keşif lideri Doğuş Çubuk, bir basın toplantısında şunları söyledi: “Malzemeler hemen hemen her teknolojide çok kritik bir rol oynasa da, insanlık olarak yalnızca birkaç onbinlerce kararlı malzeme biliyoruz.”
Yeni materyaller keşfetmek için bilim insanları periyodik tablodaki elementleri birleştiriyor. Ancak çok fazla kombinasyon olduğu için bu işlemi körü körüne yapmak verimsizdir. Bunun yerine, araştırmacılar mevcut yapılar üzerine inşa ederek, potansiyel taşıyan yeni kombinasyonlar keşfetme umuduyla küçük değişiklikler yapıyor. Ancak bu zahmetli süreç hala çok zaman alıcıdır. Ayrıca mevcut yapıların üzerine inşa edildiğinden beklenmedik keşiflerin potansiyelini de sınırlıyor.
Bu sınırlamaların üstesinden gelmek için DeepMind iki farklı derin öğrenme modelini birleştirir. Birincisi, mevcut malzemelerdeki elementlerde değişiklik yaparak bir milyardan fazla yapı oluşturuyor. Ancak ikincisi mevcut yapıları göz ardı ediyor ve yeni malzemelerin stabilitesini tamamen kimyasal formüllere dayanarak tahmin ediyor. Bu iki modelin birleşimi çok daha geniş bir olasılık yelpazesine olanak tanır.
Aday yapılar oluşturulduktan sonra DeepMind’ın GNoME modelleri aracılığıyla filtrelenir. Modeller, belirli bir yapının ayrışma enerjisini tahmin eder; bu, malzemenin ne kadar kararlı olabileceğinin önemli bir göstergesidir. “Kararlı” malzemeler kolaylıkla ayrışmaz, bu da mühendislik açısından önemlidir. GNoME, bilinen teorik çerçevelere dayalı olarak daha ileri değerlendirmelerden geçen en umut verici adayları seçer.
Bu süreç daha sonra birçok kez tekrarlanır ve her keşif bir sonraki eğitim turuna dahil edilir.
İlk turda GNoME, farklı malzemelerin stabilitesini yaklaşık %5’lik bir hassasiyetle tahmin etti, ancak yinelemeli öğrenme süreci boyunca hızla arttı. Nihai sonuçlar, GNoME’un ilk model için zamanın %80’inden fazlasını ve ikinci model için %33’ünün üzerinde yapı stabilitesini tahmin etmeyi başardığını gösterdi.