Das KI-Tool GNoME hat 2,2 Millionen neue Kristalle entdeckt, was 800 Jahren experimenteller Leistung menschlicher Wissenschaftler entspricht. 380.000 dieser neuen Kristalle könnten zu stabilen Materialien für zukünftige Hochtechnologien werden.

Von Computerchips und Batterien bis hin zu Solarmodulen basieren sie alle auf strukturell stabilen anorganischen Kristallen.

Traditionell erfordert die Entdeckung oder Entwicklung eines neuen stabilen anorganischen Kristalls oft monatelange, mühsame Experimente. Jetzt mit den Deep-Learning-Tools von Google DeepMind GNoME,Innerhalb kurzer Zeit entdeckten Forscher 2,2 Millionen neue Kristalle (das entspricht dem Wissen, das die Menschheit in fast 800 Jahren angesammelt hat).Unter ihnen befinden sich 380.000 neue Kristalle mit stabilen Strukturen, was sie zu den potenziellen neuen Materialien macht, die am wahrscheinlichsten experimentell synthetisiert und eingesetzt werden können.

Lesen Sie das Originalpapier:

https://www.nature.com/articles/s41586-023-06735-9

01 GNoME: Ein SOTA-GNN-Modell für die Forschung und Entwicklung neuer Materialien

GNoME, dessen vollständiger Name „Graph Networks for Materials Exploration“ lautet, ist ein SOTA-GNN-Modell für die Forschung und Entwicklung neuer Materialien. Es nutzt Deep Learning, um die Stabilität neuer Materialien in sehr kurzer Zeit vorherzusagen.Dadurch wurden die Geschwindigkeit und Effizienz der Materialforschung und -entwicklung erheblich verbessert und das Potenzial der KI-Nutzung zur Entwicklung neuer Materialien im großen Maßstab aufgezeigt.

Notiz:Die Eingabedaten von GNN liegen in Form eines Diagramms vor, das den Verbindungen zwischen Atomen ähnelt. Diese Eigenschaft macht GNN auch besonders geeignet für die Erforschung neuer Kristallmaterialien.

GNoME-Prozessdiagramm

Der GNoME-Prozess kann in vier Schritte unterteilt werden:

* Strukturpipeline: Erstellen Sie Kandidaten, die bekannten Kristallstrukturen ähneln (Kandidat)

* Kompositionspipeline: folgt einem eher zufälligen Ansatz basierend auf chemischen Formeln

* Verwenden Sie DFT-Berechnungen (Density Functional Theory), um die Ausgabe beider Pipelines zu bewerten

* Fügen Sie der GNoME-Datenbank Bewertungsergebnisse hinzu, um die nächste Runde des aktiven Lernens zu informieren

Der Hauptzweck der ersten beiden Schritte besteht darin, energiearme (stabile) Materialien zu identifizieren. Die DFT-Technologie im dritten Schritt wird verwendet, um die Modellleistung wiederholt zu testen. Die Anwendung einer aktiven Lernstrategie im letzten Schritt verbessert die Leistung von GNoME erheblich.

02 Datenauswahl: Eine Momentaufnahme von Datensätzen auf den Schultern früherer Forscher

Bei der Auswahl der Daten achteten die Forscher besonders auf frühere Forschungsergebnisse, darunter Materials Project, OQMD, WBM und ICSD.

Um die Reproduzierbarkeit zu gewährleisten, verwendet GNoME Snapshots von zwei Datensätzen, die zu festen Zeitpunkten gespeichert wurden, darunter:

* Daten aus dem Materials Project im März 2021

* OQMD-Daten für Juni 2021

Die obige zweiteilige Struktur wurde als Grundlage für alle Entdeckungen (einschließlich der von SAPS) verwendet und ein Katalog stabiler Kristalle wurde von GNoME erstellt.

Um die aktualisierten Daten zu vergleichen, erstellten die Forscher im Juli 2023 eine weitere Momentaufnahme des Materials Project, OQMD und WBM. Mit demselben Setup wurden etwa 216.000 DFT-Berechnungen durchgeführt, um die Entdeckungsrate von GNoME mit der gleichzeitiger Forschungsbemühungen zu vergleichen.

Referenzen zu früheren Arbeiten:

* Materialprojekt:https://next-gen.materialsproject.org/

* OQMD:https://oqmd.org/

* WBM:https://www.nature.com/articles/s41524-020-00481-6

* ICSD:https://icsd.products.fiz-karlsruhe.de/

03 Experimentelle Ergebnisse:GNoME erhöht die Anzahl bekannter stabiler Kristalle um fast das Achtfache

Variation in der Anzahl bekannter stabiler Kristalle

Das obige Bild zeigt von innen nach außen:

* Die Anzahl der durch menschliche Experimente bestätigten stabilen Kristalle in der ICSD-Datenbank beträgt etwa 20.000

* Berechnungsmethoden aus dem Materials Project, der Open Quantum Materials Database und der WBM-Datenbank erhöhen die Anzahl stabiler Kristalle auf 48.000

* GNoME erhöht die Anzahl der der Menschheit bekannten stabilen Materialien auf 421.000

Anzahl der in den Jahren 2019–2022 entdeckten stabilen Materialien: Helle Farben stehen für externe Datenbanken, dunkle Farben für GNoME-Ergebnisse

Zwischen 2021 und 2023 stieg die Anzahl der stabilen Kristalle außerhalb von GNoME von 35.000 auf 48.000, was mit der konvexen Hülle übereinstimmt (Konvexe Hülle) ist ein gewaltiger Unterschied im Vergleich zu den 381.000 neuen stabilen Kristallstrukturen, die im Genomica-Journal von 2010 gefunden wurden.

Die experimentellen Ergebnisse zeigen, dassDas GNoME-Modell hat über 2,2 Millionen neue Kristalle entdeckt und die aktualisierte konvexe Hülle enthält 381.000 neue Einträge.Zusammen mit früheren Untersuchungen erreichte die Zahl der stabilen Kristalle 421.000, was um eine Größenordnung höher ist als das vorherige Forschungsergebnis von 48.000.

04 Branchenexperten: Überprüfung durch inländische repräsentative Wissenschaftler

Forschungsrichtung:Anorganische optoelektronische funktionelle Nanomaterialien und damit verbundene optoelektronische Eigenschaften, Materialien und Geräte zur Energiespeicherung und -umwandlung, neue heterogene nanostrukturierte Photokatalysatoren, organische molekulare Materialien undFeldeffekttransistor

Persönliche Seite:

https://kyy.bupt.edu.cn/info/1136/3409.htm

Forschungsrichtung:Organische oder organisch-anorganische HybrideDünnschicht-SolarzellenForschung, Forschung an neuen flexiblen elektronischen Geräten auf Basis organischer Halbleiter oder anorganischer Nanomaterialien, Forschung zur Anwendung neuer intelligenter Sensoren, Forschung an neuen Memristoren und ihren Anwendungen in neuronalen Netzwerken

Persönliche Seite:

http://www.it.fudan.edu.cn/Data/View/1150

Persönliche Seite:

https://edu.iphy.ac.cn/moreintro.php?id=3190

Forschungsrichtung:Computeranwendungstechnik, Computertechnologie, Materialinformatik und computergestützte Materialwissenschaft, Maschinelles Lernen

Persönliche Seite:

https://people.ucas.ac.cn/~0070145