DeepMind разработала графовую нейросеть GNoME, прогнозирующую стабильность материалов. GNoME обнаружила 2,2 миллиона новых материалов, 380 тысяч из которых являются стабильными и могут быть применены для разработки компьютерных чипов, аккумуляторов и солнечных панелей.
До появления GNoME (Graph Networks for Materials Exploration) были известны 48 тысяч стабильных неорганических кристаллов. Модель увеличила их количество почти в 9 раз. DeepMind утверждает, что результат работы модели эквивалентен 800 годам работы ученых.
В частности, было обнаружено 52 тысячи новых слоистых соединений, подобных графену, которые потенциально могут использоваться в электронике и физике сверхпроводников. Ранее было идентифицировано около тысячи таких материалов. Также было обнаружено 528 потенциальных литий-ионных проводников (в 25 раз больше, чем было известно), которые можно было бы использовать для улучшения характеристик перезаряжаемых батарей.
GNoME использует два пайплайна для поиска стабильных материалов. Структурный пайплайн создает кандидатов со структурами, похожими на известные кристаллы, в то время как композиционный пайплайн использует более рандомизированный подход, основанный на химических формулах. Выходные данные обоих пайплайнов оцениваются с использованием теории функционала плотности, а затем результаты добавляются в базу данных GNoME, информируя о следующем раунде активного обучения.
GNoME – графовая нейросеть (GNN), обученная на базах кристаллических структур. Модель повысила уровень точности прогнозирования стабильности материалов с 50% (у созданных ранее моделей) до 80%, а эффективность прогнозирования – с 10% до более чем 80%, что позволит многократно понизить требования к вычислительным ресурсам для решения задач дизайна новых материалов. 736 предсказанных GNoME кристаллов уже были экспериментально синтезированы.
Прогнозы GNoME опубликованы в открытом доступе. Модель и датасет доступны по ссылке.
