ИИ изобрел 31 миллион материалов, которых еще не существует

{"document": [{"text": [{"type": "attachment", "attributes": {"presentation": "gallery"}, "attachment": {"caption": "", "contentType": "image/jpeg", "filename": "carbon-nanotube-2842389_1280.jpg", "filesize": 318237, "height": 720, "pic_id": 279988, "url": "https://storage.yandexcloud.net/pabliko.files/article_cloud_image/2022/11/30/carbon-nanotube-2842389_1280.jpeg", "width": 1280}}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "Прежде чем ученые будут готовы представить новый материал с определенными свойствами, будь то создание лучшей мышеловки или лучшей батареи, могут пройти годы кропотливой работы - сбор данных, проведение расчетов и точных лабораторных исследований. Но теперь это стало проще, чем когда-либо, благодаря чудесам искусственного интеллекта."}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "Исследователи из Инженерной школы Джейкобса Калифорнийского университета в Сан-Диего разработали новый алгоритм искусственного интеллекта под названием M3GNet, который может предсказать структуру и динамические свойства любого материала, как существующего, так и нового. Фактически, M3GNet был использован для создания базы данных из более чем 31 миллиона новых материалов, которые еще не были синтезированы, и свойства которых были предсказаны алгоритмом машинного обучения. И все это происходит практически мгновенно."}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "Во многих отношениях предсказание новых материалов очень похоже на предсказание структуры белка - то, в чем очень хорош ИИ AlphaFold, разработанный Google DeepMind. Ранее этим летом DeepMind объявил, что расшифровал структуру почти всех белков, имеющихся в каталогах ученых, а их более 200 миллионов. Являясь основными строительными блоками жизни, белки выполняют большую часть работы в клетках - от передачи сигналов, регулирующих работу органов, до защиты организма от бактерий и вирусов. Таким образом, возможность точно предсказывать трехмерную структуру белков на основе их аминокислотных последовательностей - это огромное благо для наук о жизни и медицины,! не что иное, как революция."}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "Как биологи раньше могли расшифровать лишь несколько белков в течение года из-за сложностей, присущих этому процессу, так и материаловеды теперь могут изобретать и испытывать новые материалы на порядки быстрее и дешевле, чем когда-либо прежде. Эти новые материалы и соединения затем могут быть интегрированы в батареи, лекарства и полупроводники."}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "«Подобно белкам, нам необходимо знать структуру материала, чтобы предсказать его свойства», - говорит профессор наноинженерии Калифорнийского университета в Сан-Диего Шью Пинг Онг. «Нам нужен AlphaFold для материалов»."}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "Онг и его коллеги использовали тот же проверенный подход, что и в AlphaFold, объединив графовые нейронные сети во взаимодействии многих тел, чтобы в итоге создать глубоко обучаемый ИИ, который может сканировать и создавать практические комбинации, используя все элементы таблицы периодов. Модель была обучена на огромной базе данных, включающей тысячи материалов, с данными об энергии, силах и напряжениях для каждого из них."}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "В результате M3GNet перебрал бесчисленное количество потенциальных межатомных комбинаций и предсказал 31 миллион материалов, более миллиона из которых должны быть стабильными. Кроме того, ИИ можно использовать для динамического и сложного моделирования с целью дальнейшего подтверждения прогнозов свойств."}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "«Например, нас часто интересует, как быстро ионы лития диффундируют в электроде или электролите литий-ионного аккумулятора. Чем быстрее диффузия, тем быстрее можно заряжать или разряжать батарею», - сказал Онг. «Мы показали, что M3GNet IAP можно использовать для прогнозирования литиевой проводимости материала с хорошей точностью. Мы искренне верим, что архитектура M3GNet является преобразующим инструментом, который может значительно расширить наши возможности по исследованию новых химических свойств и структур материалов»."}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "Код M3GNet на языке Python был опубликован с открытым исходным кодом на Github, если кому-то это интересно. Уже есть планы по интеграции этого мощного инструмента прогнозирования в коммерческое программное обеспечение для моделирования материалов."}], "attributes": []}, {"text": [{"type": "string", "attributes": {}, "string": "Результаты исследования опубликованы в журнале Nature Communicational Science."}], "attributes": []}], "selectedRange": [1, 1]}