Περίληψη άρθρου:

Οι ερευνητές της Google DeepMind χρησιμοποίησαν την τεχνητή νοημοσύνη για να διευρύνουν τον αριθμό των γνωστών σταθερών υλικών, τα οποία είναι ενδεχομένως χρήσιμα για μπαταρίες και υπεραγωγούς. Χρησιμοποιώντας ένα πρόγραμμα τεχνητής νοημοσύνης που ονομάζεται GNoME, οι ερευνητές εκπαίδευσαν το λογισμικό χρησιμοποιώντας δεδομένα από τη βάση δεδομένων Materials Project για να δημιουργήσουν σχέδια για 2,2 εκατομμύρια νέους κρυστάλλους, εκ των οποίων οι 380.000 προβλέφθηκαν να είναι σταθεροί. Σε εργαστηριακά πειράματα, δημιουργήθηκαν με επιτυχία 41 από αυτά τα υλικά, επικυρώνοντας τόσο το μοντέλο τεχνητής νοημοσύνης όσο και τις ρομποτικές τεχνικές του εργαστηρίου. Ωστόσο, ενώ αυτή η διεύρυνση των υλικών ανοίγει δυνατότητες σύνθεσης, παραμένουν προκλήσεις στον προσδιορισμό της πρακτικότητας και της χρησιμότητάς τους. Η Google DeepMind εξετάζει επιλογές για άμεση εργασία με φυσικά υλικά, συμπεριλαμβανομένης της δημιουργίας του δικού της εργαστηρίου. Η απελευθέρωση των υλικών γίνεται μόνο για ακαδημαϊκούς σκοπούς και οι εμπορικές συνεργασίες θα εξετάζονται κατά περίπτωση. Η έλλειψη κώδικα για το GNoME μπορεί να αντιμετωπίσει κριτική από ακαδημαϊκούς που θέλουν να αναπαράγουν τα αποτελέσματα και να βελτιώσουν το μοντέλο. Ωστόσο, οι ερευνητές ελπίζουν ότι η ανακάλυψη εκατοντάδων χιλιάδων νέων υλικών θα απασχολήσει τους θεωρητικούς και τους συνθέτες.

Κύρια σημεία του άρθρου:

• Η Google DeepMind έχει αναπτύξει ένα πρόγραμμα τεχνητής νοημοσύνης με την ονομασία GNoME, το οποίο έχει δεκαπλασιάσει σχεδόν τον αριθμό των γνωστών σταθερών υλικών.
• Το GNoME εκπαιδεύτηκε χρησιμοποιώντας δεδομένα από το Materials Project, μια βάση δεδομένων με 150.000 γνωστά υλικά.
• Το GNoME δημιούργησε σχέδια για 2,2 εκατομμύρια νέους κρυστάλλους, εκ των οποίων οι 380.000 προβλέφθηκαν ως σταθεροί.
• Οι ερευνητές κατάφεραν να δημιουργήσουν 41 από τα θεωρητικά υλικά σε ένα αυτόνομο εργαστήριο σε διάστημα 17 ημερών.
• Μόνο ένα κλάσμα αυτών των υλικών είναι πιθανό να είναι πρακτικό για σύνθεση λόγω παραγόντων όπως το κόστος ή η σπανιότητα.
• Η Google DeepMind διερευνά επιλογές για να εργαστεί πιο άμεσα με φυσικά υλικά, συμπεριλαμβανομένης της δημιουργίας δικού της εργαστηρίου ή της συνεργασίας με εξωτερικά εργαστήρια.

Αναλυτικά το άρθρο:

Οι ερευνητές του Google DeepMind λένε ότι δεκαπλασίασαν τον αριθμό των γνωστών σταθερών υλικών. Ορισμένα από αυτά θα μπορούσαν να είναι χρήσιμα για τα πάντα, από μπαταρίες έως υπεραγωγούς - αν καταφέρουν να βγουν από το εργαστήριο.

Οι ρομποτικοί μάγειρες ήταν βαθιά μέσα στη συνταγή τους, δουλεύοντας σε ένα δωμάτιο γεμάτο εξοπλισμό. Σε μια γωνία, ένας αρθρωτός βραχίονας επέλεγε και ανακάτευε τα συστατικά, ενώ ένας άλλος γλιστρούσε μπρος-πίσω σε μια σταθερή τροχιά, δουλεύοντας τους φούρνους. Ένας τρίτος είχε αναλάβει την επιμετάλλωση, ανακινώντας προσεκτικά το περιεχόμενο ενός χωνευτηρίου πάνω σε ένα πιάτο. Ο Gerbrand Ceder, επιστήμονας υλικών στο Lawrence Berkeley National Lab και στο UC Berkeley, έγνεψε επιδοκιμαστικά καθώς ένας ρομποτικός βραχίονας τσίμπησε και κάλυψε με λεπτότητα ένα άδειο πλαστικό φιαλίδιο - μια ιδιαίτερα δύσκολη εργασία και μια από τις αγαπημένες του παρατηρήσεις.

"Αυτοί οι τύποι μπορούν να δουλεύουν όλη τη νύχτα", είπε ο Σέντερ, ρίχνοντας ένα ειρωνικό βλέμμα σε δύο από τους μεταπτυχιακούς φοιτητές του.

Εξοπλισμένη με συστατικά όπως το οξείδιο του νικελίου και το ανθρακικό λίθιο, η εγκατάσταση, που ονομάζεται A-Lab, έχει σχεδιαστεί για να παράγει νέα και ενδιαφέροντα υλικά, ειδικά αυτά που θα μπορούσαν να είναι χρήσιμα για μελλοντικά σχέδια μπαταριών.

Τα αποτελέσματα μπορεί να είναι απρόβλεπτα. Ακόμα και ένας άνθρωπος επιστήμονας συνήθως κάνει λάθος σε μια νέα συνταγή την πρώτη φορά. Έτσι, μερικές φορές τα ρομπότ παράγουν μια όμορφη σκόνη. Άλλες φορές είναι ένα λιωμένο κολλώδες χάος, ή εξατμίζεται όλο και δεν μένει τίποτα. "Σε αυτό το σημείο, οι άνθρωποι θα πρέπει να πάρουν μια απόφαση: Τι κάνω τώρα;" λέει ο Ceder.

Τα ρομπότ έχουν σκοπό να κάνουν το ίδιο. Αναλύουν αυτό που έχουν φτιάξει, προσαρμόζουν τη συνταγή και δοκιμάζουν ξανά. Και ξανά. Και πάλι. "Τους δίνεις κάποιες συνταγές το πρωί και όταν επιστρέφεις στο σπίτι μπορεί να έχεις ένα ωραίο νέο σουφλέ", λέει η επιστήμονας υλικών Kristin Persson, στενή συνεργάτιδα του Ceder στο LBNL (και επίσης σύζυγος). Ή μπορεί απλώς να επιστρέψεις σε ένα καμένο χάλι. "Αλλά τουλάχιστον αύριο θα φτιάξουν ένα πολύ καλύτερο σουφλέ".

Πρόσφατα, η γκάμα των πιάτων που έχουν στη διάθεσή τους τα ρομπότ της Ceder αυξήθηκε εκθετικά, χάρη σε ένα πρόγραμμα τεχνητής νοημοσύνης που αναπτύχθηκε από την Google DeepMind. Με την ονομασία GNoME, το λογισμικό εκπαιδεύτηκε χρησιμοποιώντας δεδομένα από το Materials Project, μια δωρεάν βάση δεδομένων 150.000 γνωστών υλικών που εποπτεύεται από τον Persson. Χρησιμοποιώντας αυτές τις πληροφορίες, το σύστημα τεχνητής νοημοσύνης κατέληξε σε σχέδια για 2,2 εκατομμύρια νέους κρυστάλλους, εκ των οποίων οι 380.000 προβλέφθηκαν ως σταθεροί -δεν είναι πιθανό να αποσυντεθούν ή να εκραγούν, και συνεπώς οι πιο πιθανές υποψήφιες για σύνθεση σε εργαστήριο-, επεκτείνοντας το φάσμα των γνωστών σταθερών υλικών σχεδόν κατά 10 φορές. Σε μια εργασία που δημοσιεύεται σήμερα στο Nature, οι συγγραφείς γράφουν ότι ο επόμενος ηλεκτρολύτης στερεάς κατάστασης, ή υλικά ηλιακών κυψελών, ή υπεραγωγός υψηλής θερμοκρασίας, θα μπορούσε να κρύβεται μέσα σε αυτή τη διευρυμένη βάση δεδομένων.

Η εύρεση αυτών των βελόνων στα άχυρα ξεκινά με την πραγματική τους δημιουργία, πράγμα που είναι ένας ακόμη λόγος για να δουλεύετε γρήγορα και μέσα στη νύχτα.

Σε μια πρόσφατη σειρά πειραμάτων στο LBNL, που δημοσιεύθηκε επίσης σήμερα στο Nature, το αυτόνομο εργαστήριο του Ceder κατάφερε να δημιουργήσει 41 από τα θεωρητικά υλικά μέσα σε 17 ημέρες, συμβάλλοντας στην επικύρωση τόσο του μοντέλου τεχνητής νοημοσύνης όσο και των ρομποτικών τεχνικών του εργαστηρίου.

Όταν αποφασίζεται αν ένα υλικό μπορεί όντως να κατασκευαστεί, είτε από ανθρώπινα χέρια είτε από ρομποτικούς βραχίονες, μεταξύ των πρώτων ερωτημάτων που τίθενται είναι αν είναι σταθερό. Γενικά, αυτό σημαίνει ότι η συλλογή των ατόμων του είναι τοποθετημένη στη χαμηλότερη δυνατή ενεργειακή κατάσταση. Διαφορετικά, ο κρύσταλλος θα θελήσει να γίνει κάτι άλλο. Για χιλιάδες χρόνια, οι άνθρωποι προσέθεταν σταθερά στον κατάλογο των σταθερών υλικών, αρχικά παρατηρώντας εκείνα που βρέθηκαν στη φύση ή ανακαλύπτοντάς τα μέσω βασικής χημικής διαίσθησης ή τυχαίων περιστατικών. Πιο πρόσφατα, οι υποψήφιοι έχουν σχεδιαστεί με υπολογιστές.

Το πρόβλημα, σύμφωνα με τον Persson, είναι η προκατάληψη: Με την πάροδο του χρόνου, αυτή η συλλογική γνώση έχει καταλήξει να ευνοεί ορισμένες οικείες δομές και στοιχεία. Οι επιστήμονες υλικών το αποκαλούν αυτό "φαινόμενο Έντισον", αναφερόμενοι στην ταχεία προσπάθεια δοκιμής και λάθους που έκανε για να παραδώσει ένα νήμα λαμπτήρα, δοκιμάζοντας χιλιάδες τύπους άνθρακα πριν καταλήξει σε μια ποικιλία που προέρχεται από μπαμπού. Χρειάστηκε άλλη μια δεκαετία για να καταλήξει μια ουγγρική ομάδα στο βολφράμιο. "Περιοριζόταν από τις γνώσεις του", λέει ο Persson. "Ήταν προκατειλημμένος, ήταν πεπεισμένος".

Η προσέγγιση της DeepMind αποσκοπεί στο να κοιτάξει πέρα από αυτές τις προκαταλήψεις.

Η ομάδα ξεκίνησε με 69.000 υλικά από τη βιβλιοθήκη του Persson, η οποία είναι ελεύθερη στη χρήση και χρηματοδοτείται από το Υπουργείο Ενέργειας των ΗΠΑ. Αυτό ήταν μια καλή αρχή, επειδή η βάση δεδομένων περιέχει τις λεπτομερείς ενεργειακές πληροφορίες που απαιτούνται για να κατανοήσουμε γιατί ορισμένα υλικά είναι σταθερά και άλλα όχι. Αλλά δεν ήταν αρκετά δεδομένα για να ξεπεραστεί αυτό που ο ερευνητής της Google DeepMind Ekin Dogus Cubuk αποκαλεί "φιλοσοφική αντίφαση" μεταξύ της μηχανικής μάθησης και της εμπειρικής επιστήμης. Όπως ο Έντισον, η τεχνητή νοημοσύνη αγωνίζεται να δημιουργήσει πραγματικά νέες ιδέες πέρα από αυτά που έχει δει στο παρελθόν. "Στη φυσική, δεν θέλεις ποτέ να μάθεις κάτι που ήδη γνωρίζεις", λέει. "Σχεδόν πάντα θέλεις να γενικεύεις εκτός του τομέα" -είτε πρόκειται για την ανακάλυψη μιας διαφορετικής κατηγορίας υλικών μπαταρίας είτε για μια νέα θεωρία υπεραγωγιμότητας.

Το GNoME βασίζεται σε μια προσέγγιση που ονομάζεται ενεργητική μάθηση. Πρώτον, μια τεχνητή νοημοσύνη που ονομάζεται νευρωνικό δίκτυο γραφημάτων, ή GNN, χρησιμοποιεί τη βάση δεδομένων για να μάθει μοτίβα στις σταθερές δομές και να βρει πώς να ελαχιστοποιήσει την ενέργεια στους ατομικούς δεσμούς μέσα σε νέες δομές.

Χρησιμοποιώντας όλο το εύρος του περιοδικού πίνακα, παράγει στη συνέχεια χιλιάδες δυνητικά σταθερές υποψήφιες δομές. Το επόμενο βήμα είναι η επαλήθευση και η προσαρμογή τους, χρησιμοποιώντας μια τεχνική κβαντομηχανικής που ονομάζεται θεωρία λειτουργιών πυκνότητας ή DFT. Αυτά τα εκλεπτυσμένα αποτελέσματα στη συνέχεια εισάγονται ξανά στα δεδομένα εκπαίδευσης και η διαδικασία επαναλαμβάνεται.

Οι ερευνητές διαπίστωσαν ότι, με πολλαπλές επαναλήψεις, η προσέγγιση αυτή μπορούσε να δημιουργήσει πιο πολύπλοκες δομές από αυτές που υπήρχαν αρχικά στο σύνολο δεδομένων του Materials Project, συμπεριλαμβανομένων ορισμένων που αποτελούνταν από πέντε ή έξι μοναδικά στοιχεία. (Το σύνολο δεδομένων που χρησιμοποιήθηκε για την εκπαίδευση της τεχνητής νοημοσύνης έφτανε σε μεγάλο βαθμό τα τέσσερα.) Αυτοί οι τύποι υλικών περιλαμβάνουν τόσες πολύπλοκες ατομικές αλληλεπιδράσεις που γενικά διαφεύγουν της ανθρώπινης διαίσθησης. "Ήταν δύσκολο να βρεθούν", λέει ο Cubuk. "Αλλά τώρα δεν είναι πια τόσο δύσκολο να βρεθούν".

Αλλά ο DFT είναι μόνο μια θεωρητική επικύρωση. Το επόμενο βήμα είναι να φτιάξουμε πραγματικά κάτι. Έτσι, η ομάδα του Ceder επέλεξε 58 κρυστάλλους για να δημιουργήσει στο A-Lab. Αφού έλαβε υπόψη τις δυνατότητες του εργαστηρίου και τις διαθέσιμες πρόδρομες ουσίες, ήταν μια τυχαία επιλογή. Και στην αρχή, όπως ήταν αναμενόμενο, τα ρομπότ απέτυχαν, ενώ στη συνέχεια προσάρμοσαν επανειλημμένα τις συνταγές τους. Μετά από 17 ημέρες πειραμάτων, το A-Lab κατάφερε να παράγει 41 από τα υλικά, δηλαδή το 71%, μερικές φορές αφού δοκίμασε δώδεκα διαφορετικές συνταγές.

Ο Taylor Sparks, επιστήμονας υλικών στο Πανεπιστήμιο της Γιούτα, ο οποίος δεν συμμετείχε στην έρευνα, λέει ότι είναι ελπιδοφόρο να βλέπουμε την αυτοματοποίηση να λειτουργεί για νέους τύπους σύνθεσης υλικών. Αλλά η χρήση της τεχνητής νοημοσύνης για να προτείνει χιλιάδες νέα υποθετικά υλικά και στη συνέχεια να τα κυνηγήσει με αυτοματισμούς, απλά δεν είναι πρακτική, προσθέτει. Τα ΑΓΝ χρησιμοποιούνται ευρέως για την ανάπτυξη νέων ιδεών για υλικά, αλλά συνήθως οι ερευνητές θέλουν να προσαρμόσουν τις προσπάθειές τους ώστε να παράγουν υλικά με χρήσιμες ιδιότητες - όχι να παράγουν τυφλά εκατοντάδες χιλιάδες από αυτά. "Είχαμε ήδη πάρα πολλά πράγματα που θέλαμε να ερευνήσουμε από όσα μπορούσαμε φυσικά να διερευνήσουμε", λέει. "Νομίζω ότι η πρόκληση είναι, προσεγγίζει αυτή η κλιμακωτή σύνθεση την κλίμακα των προβλέψεων; Ούτε καν κοντά".

Μόνο ένα κλάσμα από τα 380.000 υλικά που αναφέρονται στην εργασία του Nature είναι πιθανό να είναι πρακτικά εφικτό να δημιουργηθούν. Ορισμένα περιλαμβάνουν ραδιενεργά στοιχεία ή στοιχεία που είναι πολύ ακριβά ή σπάνια. Ορισμένα θα απαιτήσουν τύπους σύνθεσης που απαιτούν ακραίες συνθήκες που δεν μπορούν να παραχθούν στο εργαστήριο ή πρόδρομες ουσίες που οι προμηθευτές των εργαστηρίων δεν έχουν στη διάθεσή τους.

Αυτό ισχύει πιθανότατα ακόμη και για υλικά που θα μπορούσαν κάλλιστα να έχουν προοπτικές για τον επόμενο σχεδιασμό φωτοβολταϊκών στοιχείων ή μπαταριών. "Βρήκαμε πολλά ωραία υλικά", λέει ο Persson. "Η κατασκευή τους και η δοκιμή τους ήταν σταθερά το εμπόδιο, ειδικά αν πρόκειται για ένα υλικό που κανείς δεν έχει φτιάξει ποτέ πριν. Ο αριθμός των ανθρώπων που μπορώ να καλέσω από τον κύκλο των φίλων μου και να πουν: "Φυσικά, άσε με να ασχοληθώ με αυτό για σένα", είναι περίπου ένας ή δύο άνθρωποι".

"Αλήθεια, είναι τόσο ψηλά;" Ο Σέντερ παρεμβαίνει γελώντας.

Ακόμη και αν μπορεί να παραχθεί ένα υλικό, υπάρχει μακρύς δρόμος για να μετατραπεί ένας βασικός κρύσταλλος σε προϊόν. Ο Persson φέρνει το παράδειγμα ενός ηλεκτρολύτη μέσα σε μια μπαταρία ιόντων λιθίου. Οι προβλέψεις σχετικά με την ενέργεια και τη δομή ενός κρυστάλλου μπορούν να εφαρμοστούν σε προβλήματα όπως ο υπολογισμός του πόσο εύκολα μπορούν να κινηθούν τα ιόντα λιθίου σε αυτόν - μια βασική πτυχή της απόδοσης.

Αυτό που δεν μπορεί να προβλεφθεί εξίσου εύκολα είναι αν αυτός ο ηλεκτρολύτης θα αντιδράσει με γειτονικά υλικά και θα καταστρέψει ολόκληρη τη συσκευή. Επιπλέον, σε γενικές γραμμές, η χρησιμότητα των νέων υλικών γίνεται εμφανής μόνο σε συνδυασμό με άλλα υλικά ή με τη χειραγώγησή τους με πρόσθετα.

Ωστόσο, το διευρυμένο φάσμα υλικών διευρύνει τις δυνατότητες σύνθεσης και παρέχει επίσης περισσότερα δεδομένα για μελλοντικά προγράμματα τεχνητής νοημοσύνης, λέει ο Anatole von Lilienfeld, επιστήμονας υλικών στο Πανεπιστήμιο του Τορόντο, ο οποίος δεν συμμετείχε στην έρευνα. Βοηθά επίσης να ωθήσει τους επιστήμονες υλικών να απομακρυνθούν από τις προκαταλήψεις τους και να στραφούν προς το άγνωστο. "Κάθε νέο βήμα που κάνετε είναι φανταστικό", λέει. "Θα μπορούσε να εγκαινιάσει μια νέα κατηγορία ενώσεων".

Η Google ενδιαφέρεται επίσης να εξερευνήσει τις δυνατότητες των νέων υλικών που παράγονται από το GNoME, λέει ο Pushmeet Kohli, αντιπρόεδρος έρευνας στο Google DeepMind. Συγκρίνει το GNoME με το AlphaFold, το λογισμικό της εταιρείας που ξάφνιασε τους δομικούς βιολόγους με την επιτυχία του στην πρόβλεψη του τρόπου αναδίπλωσης των πρωτεϊνών. Και τα δύο αντιμετωπίζουν θεμελιώδη προβλήματα δημιουργώντας ένα αρχείο νέων δεδομένων που οι επιστήμονες μπορούν να εξερευνήσουν και να επεκτείνουν. Από εδώ και πέρα, η εταιρεία σχεδιάζει να ασχοληθεί με πιο συγκεκριμένα προβλήματα, λέει, όπως το να εντοπίζει ενδιαφέρουσες ιδιότητες υλικών και να χρησιμοποιεί τεχνητή νοημοσύνη για την επιτάχυνση της σύνθεσης. Και τα δύο είναι δύσκολα προβλήματα, επειδή συνήθως υπάρχουν πολύ λιγότερα δεδομένα για να ξεκινήσει κανείς από ό,τι για την πρόβλεψη της σταθερότητας.

Ο Kohli λέει ότι η εταιρεία διερευνά τις επιλογές της για να εργαστεί πιο άμεσα με φυσικά υλικά, είτε αναθέτοντας σε εξωτερικά εργαστήρια είτε συνεχίζοντας τις ακαδημαϊκές συνεργασίες. Θα μπορούσε επίσης να δημιουργήσει το δικό της εργαστήριο, προσθέτει, αναφερόμενος στην Isomorphic Labs, ένα spinoff της DeepMind για την ανακάλυψη φαρμάκων που ιδρύθηκε το 2021 μετά την επιτυχία του AlphaFold.

Τα πράγματα θα μπορούσαν να γίνουν περίπλοκα για τους ερευνητές που προσπαθούν να θέσουν τα υλικά σε πρακτική χρήση. Το Materials Project είναι δημοφιλές τόσο στα ακαδημαϊκά εργαστήρια όσο και στις εταιρείες, επειδή επιτρέπει κάθε είδους χρήση, συμπεριλαμβανομένων των εμπορικών εγχειρημάτων. Τα υλικά της Google DeepMind κυκλοφορούν με ξεχωριστή άδεια που απαγορεύει την εμπορική χρήση. "Κυκλοφορεί για ακαδημαϊκούς σκοπούς", λέει ο Kohli. "Αν οι άνθρωποι θέλουν να ερευνήσουν και να διερευνήσουν εμπορικές συνεργασίες κ.ο.κ., θα τα εξετάσουμε κατά περίπτωση".

Πολλοί επιστήμονες που ασχολούνται με νέα υλικά σημείωσαν ότι δεν είναι σαφές τι είδους λόγο θα έχει η εταιρεία εάν οι δοκιμές σε ένα ακαδημαϊκό εργαστήριο οδηγήσουν σε μια πιθανή εμπορική χρήση ενός υλικού που παράγεται από το GNoME. Μια ιδέα για έναν νέο κρύσταλλο -χωρίς συγκεκριμένη χρήση στο μυαλό- δεν μπορεί γενικά να κατοχυρωθεί με δίπλωμα ευρεσιτεχνίας και η ανίχνευση της προέλευσής του στη βάση δεδομένων θα μπορούσε να είναι δύσκολη.

Ο Kohli λέει επίσης ότι ενώ τα δεδομένα δημοσιεύονται, δεν υπάρχουν τρέχοντα σχέδια για την κυκλοφορία του μοντέλου GNoME. Επικαλείται λόγους ασφαλείας -το λογισμικό θα μπορούσε θεωρητικά να χρησιμοποιηθεί για να ονειρευτεί επικίνδυνα υλικά, λέει- και αβεβαιότητα σχετικά με τη στρατηγική της Google DeepMind για τα υλικά. "Είναι δύσκολο να κάνουμε προβλέψεις για το ποιος θα είναι ο εμπορικός αντίκτυπος", λέει ο Kohli.

Ο Sparks αναμένει ότι οι συνάδελφοί του ακαδημαϊκοί θα ενοχληθούν από την έλλειψη κώδικα για το GNoME, όπως ακριβώς έκαναν οι βιολόγοι όταν το AlphaFold δημοσιεύτηκε αρχικά χωρίς ένα πλήρες μοντέλο. (Η εταιρεία το κυκλοφόρησε αργότερα.) "Αυτό είναι άθλιο", λέει. Άλλοι επιστήμονες υλικών πιθανότατα θα θελήσουν να αναπαράγουν τα αποτελέσματα και να διερευνήσουν τρόπους βελτίωσης του μοντέλου ή προσαρμογής του σε συγκεκριμένες χρήσεις. Αλλά χωρίς το μοντέλο, δεν μπορούν να κάνουν τίποτα από τα δύο, λέει ο Sparks.

Εν τω μεταξύ, οι ερευνητές του Google DeepMind ελπίζουν ότι εκατοντάδες χιλιάδες νέα υλικά θα είναι αρκετά για να κρατήσουν τους θεωρητικούς και τους συνθέτες -τόσο τους ανθρώπινους όσο και τους ρομποτικούς- αρκετά απασχολημένους. "Κάθε τεχνολογία θα μπορούσε να βελτιωθεί με καλύτερα υλικά. Πρόκειται για ένα σημείο συμφόρησης", λέει ο Cubuk. "Γι' αυτό πρέπει να ενεργοποιήσουμε τον τομέα ανακαλύπτοντας περισσότερα υλικά και βοηθώντας τους ανθρώπους να ανακαλύψουν ακόμη περισσότερα".

Πηγή: Google DeepMind's AI Dreamed Up 380,000 New Materials. The Next Challenge Is Making Them