L'innovazione nel settore dei materiali sta attraversando una svolta epocale grazie all'intelligenza artificiale. Google DeepMind ha lanciato una nuova tecnologia rivoluzionaria chiamata graphical networks for material exploration (GNoME), utilizzando il deep learning per accelerare il processo di scoperta di nuovi materiali.
GNoME ha già dimostrato il suo potenziale prevedendo le strutture di 2,2 milioni di nuovi materiali, di cui oltre 700 sono stati sintetizzati in laboratorio e sono attualmente in fase di test. Questi risultati eccezionali sono stati pubblicati su Nature, sottolineando l'impatto significativo di GNoME nel campo della scienza dei materiali.
Il Lawrence Berkeley National Laboratory ha anche contribuito a questa rivoluzione con l'introduzione di un nuovo laboratorio autonomo chiamato A-Lab. Questo laboratorio, alimentato da dati provenienti dal database dei materiali, sfrutta l'apprendimento automatico e i bracci robotici per progettare nuovi materiali senza intervento umano. L'A-Lab è riuscito a eseguire 355 esperimenti in soli 17 giorni, sintetizzando con successo 41 dei 58 composti proposti.
GNoME può essere paragonato ad AlphaFold per la scoperta dei materiali, aprendo nuove possibilità nel campo. Secondo il professor Ju Li del Massachusetts Institute of Technology, grazie a GNoME, il numero di materiali stabili conosciuti è quasi decuplicato, raggiungendo la cifra di 421.000.
Il processo di scoperta di nuovi materiali è tradizionalmente lungo e costoso, basato su tentativi ed errori. GNoME, tuttavia, risolve questo approccio inefficiente combinando due modelli di deep learning. Il primo genera più di un miliardo di strutture apportando modifiche agli elementi dei materiali esistenti, mentre il secondo ignora le strutture esistenti, prevedendo la stabilità dei nuovi materiali esclusivamente sulla base di formule chimiche. I risultati finali hanno mostrato che GNoME è riuscito a prevedere la stabilità delle strutture oltre l'80% delle volte, un risultato pazzesco.
Sebbene l'uso di intelligenza artificiale per la creazione di nuovi materiali non sia nuova, le dimensioni e la precisione di GNoME lo distinguono dagli sforzi precedenti. Chris Bartel, assistente professore di ingegneria chimica e scienza dei materiali presso l'Università del Minnesota, sottolinea che GNoME è stato addestrato su un ordine di grandezza maggiore rispetto a qualsiasi modello precedente.
Il professor Yifei Mo dell'Università del Maryland afferma che GNoME consente di eseguire calcoli con maggiore precisione e a costi computazionali inferiori, aprendo la strada a un impatto enorme nel campo della ricerca sui materiali.
Il potenziale di queste nuove tecnologie non si limita solo al campo della ricerca, ma si estende all'industria, accelerando l'innovazione hardware nel settore dell'energia, dell'informatica e oltre. Kristin Persson del Berkeley Lab sottolinea che l'innovazione nell'hardware, soprattutto nell'ambito dell'energia green, è cruciale per affrontare la crisi climatica.