تسعى Google DeepMind في إطلاق إمكانات أكبر للذكاء الاصطناعي من خلال أداة التعلم العميق الجديدة الخاصة بها، Graph Networks for Materials Exploration GNoME)، التي تعمل على تسريع الاكتشاف من خلال التنبؤ.
يسلط GNoME الضوء على إمكانية استخدام الذكاء الاصطناعي لاكتشاف وتطوير مواد جديدة على نطاق واسع ويقدم وعدًا بتطوير تقنيات تحويلية مستقبلية
يهدف GNoME إلى زيادة سرعة وكفاءة الاكتشاف من خلال التنبؤ باستقرار المواد الجديدة. إنه نموذج حديث للشبكة العصبية الرسومية (GNN) ويستخدم ما يسميه Google DeepMind “التعلم النشط” لتعزيز أدائه، مما يسمح له بالتنبؤ باستقرار المواد الجديدة.
تسلط الأداة الضوء على الوعد المحتمل للذكاء الاصطناعي في الاكتشافات واسعة النطاق، بالإضافة إلى التنبؤ بهياكل البلورات الجديدة والمستقرة.
تعزيز حلول التعلم العميق العالمية
التعلم العميق هو أحد أساليب الذكاء الاصطناعي (AI) حيث يتم تدريسه لمعالجة البيانات بطريقة مستوحاة من الكمبيوتر البشري.
لقد تم بالفعل استخدام تقنية GNoME للتنبؤ بهياكل 2.2 مليون مادة جديدة، وفقًا لـ MIT Technology Review، والتي تم الآن إنشاء أكثر من 700 منها في المختبر ويجري اختبارها.
ونتيجة لذلك، أتاح Google DeepMind توقعاته للباحثين الأسبوع الماضي (نوفمبر 2023). وذكرت أنها ستساهم بـ 380.000 مادة توقعت أن تكون مستقرة في مشروع المواد. يقوم هذا المشروع الآن بمعالجة المركبات وإدراجها في قاعدة البيانات الخاصة به على الإنترنت.
يمكن أن تكون هذه المواد مفيدة في صنع منتجات تتراوح من البطاريات إلى الموصلات الفائقة. في النهاية، الهدف هو أن هذه الموارد ستدفع البحث إلى الأمام في مجال البلورات غير العضوية وتعرض حالات استخدام جديدة لأدوات التعلم الآلي كدليل للتجريب داخل قطاعات التكنولوجيا.
“مع GNoME، تم مضاعفة عدد المواد القابلة للتطبيق من الناحية التكنولوجية المعروفة للبشرية. ومن بين 2.2 مليون تنبؤ، هناك 380 ألفًا هي الأكثر استقرارًا، مما يجعلها مرشحة واعدة للتوليف التجريبي.
“من بين هذه المواد المرشحة هناك مواد لديها القدرة على تطوير تقنيات تحويلية مستقبلية تتراوح بين الموصلات الفائقة، وتشغيل أجهزة الكمبيوتر العملاقة، وبطاريات الجيل التالي لتعزيز كفاءة السيارات الكهربائية.”
من أجل تطوير GNoME، استخدم Google DeepMind عملية تدريب تسمى “التعلم النشط” والتي عززت أدائها. يمكن لـ GNoME إنشاء تنبؤات لهياكل البلورات الجديدة والمستقرة التي تم اختبارها بعد ذلك، مما أدى إلى تغذية بيانات التدريب عالية الجودة في التدريب النموذجي.
عززت أبحاث الشركة معدل الاكتشاف للتنبؤ بثبات المواد من حوالي 50% إلى 80%. بالإضافة إلى ذلك، قام Google DeepMind برفع كفاءة النموذج من خلال تحسين معدل الاكتشاف من أقل من 10% إلى 80%، مع تسليط الضوء على مدى تأثير السرعة المتزايدة على مقدار الحوسبة المطلوبة لكل اكتشاف.
تأتي هذه الأخبار بعد النجاح الكبير الذي حققه برنامج AlphaFold من Google DeepMind والذي يستخدم للتنبؤ ببنية البروتينات، في إطار الجهود المبذولة لتطوير حلول الرعاية الصحية العالمية. وقد تم الإشادة بها باعتبارها إنجازًا علميًا، فقد غيرت الشركة الطريقة التي يعمل بها هذا النوع من العلوم، مما يمكّن الباحثين من تحليل البيانات في فترة زمنية أقصر.
إن تحسين الاكتشافات في قطاع التكنولوجيا ينطوي على إمكانات كبيرة لإحداث تأثير ثوري على البشرية. يمكن للشركات التي تستخدم نماذج الذكاء الاصطناعي المدربة لتحسين الخدمات وتوسيع نطاق تأثير الذكاء الاصطناعي أن تأمل في أن تؤدي إلى المزيد من الاكتشافات، وتحقيق نتائج أفضل للأشخاص والمنتجات.
تضيف الشركة: “تُظهر أبحاثنا – وأبحاث المتعاونين في مختبر بيركلي، وأبحاث جوجل، والفرق حول العالم – إمكانية استخدام الذكاء الاصطناعي لتوجيه اكتشاف المواد، وتجريبها، وتخليقها.
“نأمل أن يساعد GNoME مع أدوات الذكاء الاصطناعي الأخرى في إحداث ثورة في اكتشاف المواد اليوم وتشكيل مستقبل هذا المجال.”
صرح بوشميت كوهلي، نائب رئيس الأبحاث في Google DeepMind، لـ WIRED أن GNoME قد تم إصداره لأغراض أكاديمية بحتة في الوقت الحاضر، مع مراجعة حالات استخدام المؤسسات على أساس كل حالة على حدة.
