Tekoäly yksinään ei välttämättä ole niin hyödyllinen uusien materiaalien löytämisessä kuin Googlen DeepMind-tiimi on ehdottanut.

Kaksi UC Santa Barbaraan sidoksissa olevaa materiaalitutkijaa ovat analysoineet Nature-lehdessä viime marraskuussa julkaistun Google-paperin ja päätelleet, että se lupaa enemmän kuin antaa. Googlen DeepMind-tiimi on kuitenkin eri mieltä ja seisoo heidän työssään väittäen, että heidän UCSB-kriitikot luonnehtivat heidän tutkimustaan ​​väärin eivätkä arvosta heidän tavoitteitaan.

Marraskuussa 2023 Google DeepMind hylkäsi Amil Merchant ja Ekin Dogus Cubuk ilmoitti artikkelin julkaiseminen Nature-tieteellisessä lehdessä nimeltä "Skaalaa syvä oppiminen materiaalien löytämistä varten.” Heidän kirjoittajiinsa ovat Simon Batzner, Samuel Schoenholz, Muratahan Aykol ja Gowoon Cheon.

Paperissa kuvataan Graph Networks for Materials Exploration (GNoME), "uusi syväoppimistyökalumme, joka lisää dramaattisesti löydön nopeutta ja tehokkuutta ennustamalla uusien materiaalien vakautta."

GNoMe on laajentanut tieteen käytettävissä olevien materiaalien määrää löytämällä kiderakenteita, "joista monet ovat välttyneet ihmisen aikaisemmasta kemiallisesta intuitiosta", kirjoittajat väittävät.

"GNoME:n avulla olemme moninkertaistaneet ihmiskunnan tuntemien teknologisesti käyttökelpoisten materiaalien määrän", julistivat Merchant ja Cubuk.

"Sen 2.2 miljoonasta ennusteesta 380,000 XNUMX on vakaimpia, mikä tekee niistä lupaavia ehdokkaita kokeelliselle synteesille. Näiden ehdokkaiden joukossa on materiaaleja, joilla on potentiaalia kehittää tulevaisuuden transformatiivisia teknologioita, kuten suprajohteita, tehoa antavia supertietokoneita ja seuraavan sukupolven akkuja sähköajoneuvojen tehokkuuden lisäämiseksi.

No ei ehkä niin paljolta näytä.

Uusi, uskottava ja hyödyllinen?

In artikkeli julkaistiin maanantaina Chemistry of Materials -lehdessä, Anthony Cheetham ja Ram Seshadri, molemmat tutkijaprofessorit Materials Research Lab:ssa Santa Barbarassa, väittävät, että GNoME:n tunnistamat materiaalit eivät ole niin hyödyllisiä kuin on ehdotettu.

Cheetham ja Seshadri kiistävät DeepMind-paperin laajan kielen, jossa todetaan: "Työmme edustaa ihmiskunnan tuntemien stabiilien materiaalien suuruusluokkaa."

Kaksi UC Santa Barbaran boffinia väittävät, että DeepMind-ennusteet "ovat pelkästään kiteisistä epäorgaanisista yhdisteistä, ja ne tulisi kuvata sellaisina sen sijaan, että käytettäisiin yleisempää merkintää "materiaali". He huomauttavat, että on olemassa monia muita materiaaleja, joihin GNoME teki ei kaivaudu, kuten polymeerit, lasit, metalli-orgaaniset kehykset, heterorakenteet ja komposiitit.

Merkittävämpää on se, että uusien materiaalien merkityksellisten ennusteiden tulee olla: uskottavia – aineen rakenteen ja koostumuksen tulee olla jotain, joka voidaan toteuttaa kokeissa; uusi – ei tunnettujen yhdisteiden triviaali laajennus; ja hyödyllinen – osoittavat riittävästi todisteita hyödyllisyydestä, jotta ne tunnistetaan materiaaleiksi.

Ja GNoME:n lisäys tunnettujen asioiden kanoniin ei sovi tähän kolmioon, väitetään.

"Tutkimme tämän työn väitteitä täällä, valitettavasti löydämme niukasti todisteita yhdisteistä, jotka täyttävät uutuuden, uskottavuuden ja hyödyllisyyden trifecta", Cheetham ja Seshadri selittävät DeepMindin työn analysoinnissaan. "Vaikka tässä työssä käytetyt menetelmät näyttävät lupaavilta, materiaalisynteesin ja kristallografian alan asiantuntemus on selvästi tarpeen."

Cheetham tarkensi Rekisteri. "Uskomme, että tekoälyn sovelluksissa materiaalitieteessä (ja todellakin kemiassa, vaikka se onkin laajempi kysymys) on paljon mahdollisuuksia.

"Google DeepMind -paperi ei kuitenkaan ole erityisen hyödyllinen meidän kaltaisillemme kokeilijoille, koska se tarjoaa valtavan määrän ennusteita (2.2 miljoonaa, joista lähes 400,000 XNUMX uskotaan olevan vakaita), joista monet eivät vaikuta kovin uusilta. . Nämä ovat kemiallisia yhdisteitä pikemminkin kuin materiaaleja, koska niillä ei ole osoitettua toimivuutta tai käyttökelpoisuutta tässä vaiheessa. "

Cheetham sanoi, että on ennenaikaista asettaa rajoja tekoälyn mahdolliselle hyödylle materiaalitieteessä. "Kuitenkin, kuten toivon artikkelistamme selväksi, uskomme kuitenkin, että tekoälyllä on suuri tulevaisuus tällä alueella, kun se yhdistetään materiaalitieteilijöiden ensiluokkaiseen alueosaamiseen."

"Pysymme kaikkien Google DeepMindin GNoME-paperissa esitettyjen väitteiden kannalla", Google DeepMindin tiedottaja kertoi. Rekisteri.

"GNoME-tutkimuksemme edustaa suuruusluokkaa enemmän ehdokasmateriaaleja kuin tieteessä aiemmin tiedettiin, ja tutkijat ympäri maailmaa ovat jo itsenäisesti syntetisoineet satoja ennustamistamme materiaaleista." ®

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://go.theregister.com/feed/www.theregister.com/2024/04/11/google_deepmind_material_study/