La inteligencia artificial de Google DeepMind soñó con 380,000 nuevos materiales. El próximo desafío es fabricarlos.
La inteligencia artificial de Google DeepMind ha imaginado 380,000 materiales nuevos. El siguiente reto es producirlos.
Los cocineros robóticos de la línea estaban absortos en su receta, trabajando en una habitación abarrotada de equipos. En una esquina, un brazo articulado seleccionaba y mezclaba ingredientes, mientras que otro se deslizaba de un lado a otro en un riel fijo, trabajando en los hornos. Un tercero se encargaba de emplatar, sacudiendo cuidadosamente el contenido de una crisol sobre un plato. Gerbrand Ceder, científico de materiales en el Lawrence Berkeley National Lab y la Universidad de California en Berkeley, asintió aprobatoriamente mientras un brazo robótico pellizcaba y cerraba con tapa un vial de plástico vacío, una tarea especialmente complicada y una de sus favoritas de observar. “Estos chicos pueden trabajar toda la noche”, dijo Ceder, mirando de reojo a dos de sus estudiantes graduados con una mirada irónica.
Equipado con ingredientes como óxido de níquel y carbonato de litio, el laboratorio llamado A-Lab está diseñado para crear materiales nuevos e interesantes, especialmente aquellos que podrían ser útiles para el diseño de baterías del futuro. Los resultados pueden ser impredecibles. Incluso un científico humano generalmente falla en una nueva receta la primera vez. Así que a veces los robots producen un polvo hermoso. Otras veces es un desastre pegajoso derretido, o todo se evapora y no queda nada. “En ese momento, los humanos tendrían que tomar una decisión: ¿Qué hago ahora?”, dice Ceder.
Los robots están destinados a hacer lo mismo. Analizan lo que han hecho, ajustan la receta y vuelven a intentarlo. Y otra vez. Y otra vez. “Les das algunas recetas por la mañana y cuando vuelves a casa podrías tener un nuevo y delicioso soufflé”, dice la científica de materiales Kristin Persson, colaboradora cercana de Ceder en LBNL (y también su esposa). O tal vez solo regreses a un desastre quemado. “Pero al menos mañana harán un soufflé mucho mejor”.
Recientemente, la variedad de platos disponibles para los robots de Ceder ha crecido exponencialmente, gracias a un programa de IA desarrollado por Google DeepMind. Llamado GNoME, el software fue entrenado utilizando datos del Proyecto de Materiales, una base de datos de 150,000 materiales conocidos de uso gratuito supervisada por Persson. Utilizando esa información, el sistema de IA creó diseños para 2.2 millones de nuevos cristales, de los cuales se predijo que 380,000 serían estables, es decir, poco propensos a descomponerse o explotar, y por lo tanto los candidatos más plausibles para la síntesis en laboratorio, ampliando considerablemente la gama de materiales estables conocidos. En un artículo publicado hoy en Nature, los autores escriben que el próximo electrolito de estado sólido, o los materiales de celdas solares, o el alto superconductor a temperatura, podrían estar ocultos dentro de esta base de datos ampliada.
Encontrar esas agujas en el pajar comienza con fabricarlas, lo que hace que sea aún más importante trabajar rápidamente y durante toda la noche. En un conjunto reciente de experimentos en LBNL, también publicado hoy en Nature, el laboratorio autónomo de Ceder pudo crear 41 de los materiales teorizados en 17 días, lo que ayudó a validar tanto el modelo de IA como las técnicas robóticas del laboratorio.
- Este reloj deportivo GPS de $150 es casi demasiado fácil de recomen...
- Cómo Google y OpenAI impulsaron a GPT-4 para entregar respuestas má...
- Probé los Doritos Silenciosos y la aplicación con inteligencia arti...
Cuando se decide si un material puede ser fabricado, ya sea por manos humanas o brazos robóticos, una de las primeras preguntas que se hacen es si es estable. En general, eso significa que su colección de átomos está dispuesta en el estado de energía más bajo posible. De lo contrario, el cristal querrá convertirse en otra cosa. Durante miles de años, las personas han añadido constantemente a la lista de materiales estables, inicialmente observando los encontrados en la naturaleza o descubriéndolos a través de la intuición química básica o por accidente. Más recientemente, los candidatos han sido diseñados con computadoras.
El problema, según Persson, es el sesgo: Con el tiempo, ese conocimiento colectivo ha favorecido ciertas estructuras y elementos familiares. Los científicos de materiales llaman a esto el “efecto Edison”, en referencia a su búsqueda de prueba y error para crear un filamento de bombilla, probando miles de tipos de carbono antes de llegar a una variedad derivada del bambú. Otro grupo húngaro tardó otra década en descubrir el tungsteno. “Estaba limitado por su conocimiento”, dice Persson. “Estaba sesgado, estaba convencido”.
El enfoque de DeepMind pretende ir más allá de esos sesgos. El equipo comenzó con 69,000 materiales de la biblioteca de Persson, que es de uso gratuito y financiada por el Departamento de Energía de EE. UU. Eso fue un buen comienzo, porque la base de datos contiene la información energética detallada necesaria para comprender por qué algunos materiales son estables y otros no lo son. Pero no era suficiente para superar lo que el investigador de Google DeepMind, Ekin Dogus Cubuk, llama una “contradicción filosófica” entre el aprendizaje automático y la ciencia empírica. Al igual que Edison, la IA lucha para generar ideas realmente novedosas más allá de lo que ha visto antes. “En física, nunca quieres aprender algo que ya sabes”, dice. “Casi siempre quieres generalizar fuera del dominio”, ya sea para descubrir una clase diferente de material de batería o una nueva teoría de la superconductividad.
GNoME se basa en un enfoque llamado aprendizaje activo. Primero, una IA llamada red neural gráfica, o GNN, utiliza la base de datos para aprender los patrones en las estructuras estables y descubrir cómo minimizar la energía en los enlaces atómicos dentro de nuevas estructuras. Utilizando toda la tabla periódica, luego produce miles de candidatos potencialmente estables. El siguiente paso es verificar y ajustarlos usando una técnica de mecánica cuántica llamada teoría de la función de densidad, o DFT. Estos resultados refinados se vuelven a insertar en los datos de entrenamiento y se repite el proceso.
Los investigadores descubrieron que, con múltiples repeticiones, este enfoque podría generar estructuras más complejas de las que inicialmente estaban en el conjunto de datos del Proyecto de Materiales, incluidas algunas compuestas por cinco o seis elementos únicos. (El conjunto de datos utilizado para entrenar la IA mayormente llegaba hasta cuatro.) Esos tipos de materiales involucran tantas interacciones atómicas complejas que generalmente escapan a la intuición humana. “Eran difíciles de encontrar”, dice Cubuk. “Pero ahora ya no son tan difíciles de encontrar”.
Pero DFT solo es una validación teórica. El siguiente paso es realmente crear algo. Entonces el equipo de Ceder eligió 58 cristales para crearlos en el A-Lab. Teniendo en cuenta las capacidades del laboratorio y los precursores disponibles, fue una selección aleatoria. Y al principio, como se esperaba, los robots fallaron, luego ajustaron repetidamente sus recetas. Después de 17 días de experimentos, el A-Lab logró producir 41 de los materiales, o el 71 por ciento, a veces después de probar una docena de recetas diferentes.
Taylor Sparks, un científico de materiales en la Universidad de Utah que no estuvo involucrado en la investigación, dice que es prometedor ver la automatización trabajando para nuevos tipos de síntesis de materiales. Pero usar IA para proponer miles de nuevos materiales hipotéticos y luego perseguirlos con automatización simplemente no es práctico, agrega. Las GNN se están utilizando ampliamente para desarrollar nuevas ideas para materiales, pero generalmente los investigadores quieren adaptar sus esfuerzos para producir materiales con propiedades útiles, no producir ciegamente cientos de miles de ellos. “Ya hemos tenido demasiadas cosas que hemos querido investigar y que físicamente no pudimos”, dice. “Creo que el desafío es, ¿se acerca esta síntesis escalada a la escala de las predicciones? Ni siquiera cerca”.
Solo una fracción de los 380,000 materiales en el artículo de Nature probablemente sean prácticos de crear. Algunos involucran elementos radioactivos o elementos que son demasiado costosos o raros. Algunos requerirán tipos de síntesis que involucran condiciones extremas que no se pueden reproducir en un laboratorio, o precursores que los proveedores de laboratorio no tienen disponibles.
Esto probablemente también sea cierto para los materiales que bien podrían tener potencial para la próxima célula fotovoltaica o diseño de baterías. “Hemos ideado muchos materiales interesantes”, dice Persson. “Fabricarlos y probarlos siempre ha sido el cuello de botella, especialmente si es un material que nadie ha fabricado antes. La cantidad de personas que puedo llamar en mi círculo de amigos que digan: ‘Claro, déjame ocuparme de eso por ti’ es prácticamente de una o dos personas”.
“¿De verdad, es tan alto?”, interrumpe Ceder riendo.
Incluso si se puede fabricar un material, hay un largo camino para convertir un cristal básico en un producto. Persson menciona el ejemplo de un electrolito dentro de una batería de iones de litio. Las predicciones sobre la energía y estructura de un cristal se pueden aplicar a problemas como descubrir qué tan fácilmente los iones de litio pueden moverse a través de él, un aspecto clave del rendimiento. Lo que no puede predecir fácilmente es si ese electrolito reaccionará con materiales vecinos y destruirá todo el dispositivo. Además, en general, la utilidad de los nuevos materiales solo se hace evidente en combinación con otros materiales o al manipularlos con aditivos.
Aun así, la amplia gama de materiales amplía las posibilidades de síntesis y proporciona más datos para futuros programas de IA, dice Anatole von Lilienfeld, científico de materiales en la Universidad de Toronto que no estuvo involucrado en la investigación. También ayuda a impulsar a los científicos de materiales lejos de sus sesgos y hacia lo desconocido. “Cada nuevo paso que das es fantástico”, dice. “Podría introducir una nueva clase de compuestos”.
Google también está interesado en explorar las posibilidades de los nuevos materiales generados por GNoME, dice Pushmeet Kohli, vicepresidente de investigación en Google DeepMind. Compara GNoME con AlphaFold, el software de la compañía que sorprendió a los biólogos estructurales con su éxito en predecir cómo se pliegan las proteínas. Ambos están abordando problemas fundamentales al crear un archivo de nuevos datos que los científicos pueden explorar y expandir. A partir de aquí, la compañía planea trabajar en problemas más específicos, como enfocarse en propiedades de materiales interesantes y utilizar la inteligencia artificial para acelerar la síntesis. Ambos son problemas desafiantes, porque normalmente hay mucha menos información para comenzar que para predecir la estabilidad.
Kohli dice que la compañía está explorando sus opciones para trabajar de manera más directa con materiales físicos, ya sea contratando laboratorios externos o continuando con asociaciones académicas. También podría establecer su propio laboratorio, agrega, refiriéndose a Isomorphic Labs, una spin-off de descubrimiento de medicamentos de DeepMind establecida en 2021 tras el éxito de AlphaFold.
Las cosas podrían complicarse para los investigadores que intenten darle un uso práctico a los materiales. El Proyecto de Materiales es popular tanto entre los laboratorios académicos como entre las corporaciones porque permite cualquier tipo de uso, incluidos proyectos comerciales. Los materiales de Google DeepMind se lanzan bajo una licencia separada que prohíbe el uso comercial. “Se lanza con fines académicos”, dice Kohli. “Si las personas desean investigar y explorar asociaciones comerciales, y así sucesivamente, las revisaremos caso por caso”.
Varios científicos que trabajan con nuevos materiales señalaron que no está claro qué tipo de control tendría la compañía si las pruebas en un laboratorio académico llevaran a un posible uso comercial de un material generado por GNoME. Una idea para un nuevo cristal, sin un uso particular en mente, generalmente no es patentable, y podría ser difícil rastrear su procedencia hasta la base de datos.
Kohli también dice que aunque los datos se están lanzando, no hay planes actuales de lanzar el modelo de GNoME. Cita consideraciones de seguridad: el software teóricamente podría usarse para imaginar materiales peligrosos, menciona, y hay incertidumbre sobre la estrategia de materiales de Google DeepMind. “Es difícil hacer predicciones sobre cuál sería el impacto comercial”, dice Kohli.
Sparks espera que sus colegas académicos se molesten por la falta de código para GNoME, al igual que los biólogos lo hicieron cuando AlphaFold se publicó inicialmente sin un modelo completo. (La compañía luego lo lanzó). “Eso es lamentable”, dice. Otros científicos de materiales probablemente querrán reproducir los resultados e investigar formas de mejorar el modelo o adaptarlo a usos específicos. Pero sin el modelo, no pueden hacer ninguna de las dos cosas, dice Sparks.
Mientras tanto, los investigadores de Google DeepMind esperan que cientos de miles de nuevos materiales sean suficientes para mantener ocupados a los teóricos y sintetizadores, tanto humanos como robóticos. “Cada tecnología podría mejorar con mejores materiales. Es un cuello de botella”, dice Cubuk. “Por eso debemos habilitar el campo descubriendo más materiales y ayudando a las personas a descubrir aún más”.
