По словам Джу Ли, профессора материаловедения и инженерии Массачусетского технологического института, GNoME можно назвать AlphaFold для открытия материалов. AlphaFold, система искусственного интеллекта DeepMind, анонсированная в 2020 году, предсказывает структуры белков с высокой точностью и с тех пор занимается передовыми биологическими исследованиями и разработкой лекарств. Благодаря GNoME количество известных стабильных материалов выросло почти в десять раз — до 421 000.

«Хотя материалы играют очень важную роль практически в любой технологии, мы, человечество, знаем лишь несколько десятков тысяч стабильных материалов», — сказал Догус Кубук, руководитель отдела поиска материалов в Google DeepMind, на брифинге для прессы.

Чтобы открыть новые материалы, ученые комбинируют элементы периодической таблицы. Но поскольку комбинаций очень много, делать этот процесс вслепую неэффективно. Вместо этого исследователи опираются на существующие структуры, внося небольшие изменения в надежде открыть новые комбинации, обладающие потенциалом. Однако этот кропотливый процесс по-прежнему занимает очень много времени. Кроме того, поскольку он опирается на существующие структуры, он ограничивает возможность неожиданных открытий.

Чтобы преодолеть эти ограничения, DeepMind объединяет две разные модели глубокого обучения. Первый генерирует более миллиарда структур путем внесения изменений в элементы существующих материалов. Однако второй игнорирует существующие структуры и предсказывает стабильность новых материалов исключительно на основе химических формул. Сочетание этих двух моделей открывает гораздо более широкий спектр возможностей.

После создания структур-кандидатов они фильтруются с помощью моделей DeepMind GNoME. Модели предсказывают энергию разложения данной структуры, что является важным показателем того, насколько стабильным может быть материал. «Стабильные» материалы трудно разлагаются, что важно для инженерных целей. GNoME выбирает наиболее перспективных кандидатов, которые проходят дальнейшую оценку на основе известных теоретических основ.

Затем этот процесс повторяется несколько раз, причем каждое открытие включается в следующий раунд обучения.

В первом раунде GNoME предсказал стабильность различных материалов с точностью около 5%, но в ходе итеративного процесса обучения она быстро увеличивалась. Окончательные результаты показали, что GNoME удалось предсказать стабильность структур более чем в 80% случаев для первой модели и в 33% для второй.