GNoME (DeepMind) ⇐ Васина Википедия
-
Автор темыwiki_en
- Сообщения: 127251
- Зарегистрирован: 16.01.2024
GNoME (DeepMind)
«GNoME» («Графовые сети для исследования материалов») — это система искусственного интеллекта, разработанная Google DeepMind для обнаружения материалов. Он использует графовые нейронные сети и активное обучение (машинное обучение) | активное обучение для прогнозирования стабильных неорганических кристаллических структур, при этом кандидаты оцениваются с использованием расчетов теории функционала плотности. |last1=Торговец
|first1=Амиль
|last2=Бацнер
|first2=Саймон
|last3=Шенхольц
|first3=Сэмюэл С.
|last4=Айкол
|first4=Муратахан
|last5=Чхон
|first5=Говун
|last6=Кубук
|first6=Экин Догус
|title=Масштабирование глубокого обучения для открытия материалов
|journal=Природа (журнал)|Природа
|date=7 декабря 2023 г.
|объем=624
|выпуск=7990
|страниц=80–85
|doi=10.1038/s41586-023-06735-9
|bibcode=2023Природа.624...80M
|doi-access=бесплатно
О системе было объявлено в ноябре 2023 года, когда Google DeepMind сообщил, что GNoME идентифицировал примерно 2,2 миллиона кристаллических структур-кандидатов, в том числе около 380 000 предсказанных стабильных материалов. |last1=Торговец
|first1=Амиль
|last2=Кубук
|first2=Экин Догус
|title=Миллионы новых материалов обнаружены с помощью глубокого обучения
|website=Google DeepMind
|date=29 ноября 2023 г.
|url=https://deepmind.google/discover/blog/m ... -learning/
|дата доступа=6 мая 2026 г.
Результаты были опубликованы в журнале Nature, а предсказанные стабильные материалы были доступны через проект Berkeley Lab Materials Project, базу данных с открытым доступом для расчетных свойств материалов. |last=Бирон
|first=Лорен
|title=Google DeepMind добавляет почти 400 000 новых соединений в проект материалов лаборатории Беркли
|website=Национальная лаборатория Лоуренса Беркли
|date=29 ноября 2023 г.
|url=https://newscenter.lbl.gov/2023/11/29/g ... s-project/
|дата доступа=6 мая 2026 г.
==Фон==
Открытие стабильных неорганических соединений | неорганических кристаллов | кристаллов является серьезной проблемой в материаловедении, химии твердого тела и вычислительном материаловедении. Новые материалы важны для исследований и разработок|разработки полупроводников, исследований солнечных элементов|солнечных элементов, катализа, термоэлектрических материалов, :Категория:Топливо|топливо, ядерное топливо, сверхпроводимость, Исследования литий-ионных батарей|литий-ионных батарей и др. Список типов батарей|батарейных технологий. Традиционные методы открытия часто полагаются на экспериментальные пробы и ошибки, тогда как вычислительные подходы используют расчеты на основе физики, чтобы оценить, будет ли предлагаемый материал стабильным.
До появления GNoME такие базы данных, как «Проект материалов», «База данных неорганических кристаллических структур» и другие базы данных вычислительных материалов, использовались для идентификации и проверки структур-кандидатов. GNoME был разработан для расширения этого поиска за счет использования моделей машинного обучения, обученных на данных о кристаллической структуре и стабильности.
==Методология==
GNoME рассматривает возможные кристаллические структуры как графы. В этом представлении атомы моделируются как узлы, а отношения между соседними атомами моделируются как ребра. Упрощенное графическое представление можно записать так:
:G = (V, E)
где V — набор атомных позиций, а E — набор ребер, представляющих соседние атомные взаимодействия. Это делает графовые нейронные сети пригодными для моделирования кристаллов, поскольку кристаллическую структуру можно описать как идентичностью атомов, так и их геометрическим расположением.
В системе использовались два основных конвейера генерации кандидатов. Структурный конвейер генерировал новых кандидатов на основе известных кристаллических структур, а композиционный конвейер осуществлял поиск по химическим формулам, не требуя известной структуры в качестве входных данных. Материалы-кандидаты фильтровались с помощью модели машинного обучения, а затем оценивались с помощью теории функционала плотности. Результаты этих вычислений были добавлены обратно в данные обучения, создавая итеративный цикл активного обучения.
===Обозначение стабильности===
Основная цель GNoME — предсказать, является ли материал-кандидат термодинамически стабильным. Для соединения с полной энергией E_\text{total его энергию образования можно записать в упрощенной форме как:
:E_f = E_\text{total} - \sum_i n_i \mu_i
где E_f — энергия образования, n_i — количество атомов элемента i, а \mu_i — химический потенциал этого элемента. При компьютерном скрининге материалов соединения-кандидаты часто сравнивают с другими возможными фазами. Материал считается стабильным, если он лежит на выпуклой оболочке конкурирующих фаз с наименьшей энергией.
Энергию над выпуклой оболочкой можно выразить как:
:E_\text{hull} = E_f - E_\text{hull}^{\min}
где E_\text{hull}^{\min — минимальная энергия образования, доступная из конкурирующих стабильных фаз одного и того же общего состава. Материалы с E_\text{hull} = 0 находятся на выпуклой оболочке и считаются стабильными, тогда как материалы над оболочкой могут быть метастабильными или нестабильными.
==Приложения==
Предсказанные материалы из GNoME были описаны как кандидаты для дальнейшего скрининга в таких областях, как электроника, накопление энергии, фотоэлектрическая энергетика и ионика твердого тела. name="merchant2023" />
Некоторые данные, полученные из GNoME, также использовались в связи с A-Lab, автономной лабораторией синтеза материалов Национальной лаборатории Лоуренса в Беркли. В соответствующем документе «Nature (журнал)|Nature» сообщается, что A-Lab использовала данные из проекта Materials Project и Google DeepMind в автоматизированном рабочем процессе для синтеза неорганических соединений|неорганических материалов. |last1=Шиманский
|first1=Нэйтан Дж.
|last2=Ренди
|first2=Бернардус
|last3=Фей
|first3=Юйсин
|display-authors=etal
|title=Автономная лаборатория ускоренного синтеза неорганических материалов
|journal=Природа (журнал)|Природа
|date=7 декабря 2023 г.
|объем=624
|выпуск=7990
|страницы=86–91
|doi=10.1038/s41586-023-06734-w
|doi-access=бесплатно
|last=Пеплу
|first=Отметить
|title=ИИ и роботы Google объединяют усилия для создания новых материалов
|journal=Природа (журнал)|Природа
|date=29 ноября 2023 г.
|doi=10.1038/d41586-023-03745-5
==Прием и ограничения==
GNoME рассматривался как часть более широкой тенденции к научным открытиям с помощью искусственного интеллекта и автоматизированному исследованию материалов. Проект также сравнивали с другими крупномасштабными применениями машинного обучения в науке, такими как AlphaFold для прогнозирования структуры белков.
Некоторые исследователи позже выразили обеспокоенность по поводу дублирования и новизны в наборах кристаллографических данных, генерируемых ИИ. В 2025 году журнал «Chemical & Engineering News» сообщил, что исследователи выявили возможные точные и почти повторяющиеся кристаллические структуры в базе данных GNoME, и заявили, что такие проблемы следует помечать или исправлять в кристаллографических базах данных. |last=Чавла
|first=Далмит Сингх
|title=Дубликаты структур часто встречаются в кристаллографических базах данных
|журнал=Новости химии и техники
|date=16 декабря 2025 г.
|url=https://cen.acs.org/research-integrity/ ... eb/2025/12
|дата доступа=6 мая 2026 г.
Соответствующее исследование A-Lab также было исправлено журналом Nature в 2026 году после критики его первоначальных заявлений о недавно синтезированных материалах. |last=Чавла
|first=Далмит Сингх
|title=Робот-химик «Природа» исправлен, но некоторые вопросы остались без ответа
|журнал=Новости химии и техники
|date=29 января 2026 г.
|url=https://cen.acs.org/research-integrity/ ... eb/2026/01
|дата доступа=6 мая 2026 г.
==См. также==
* Искусственный интеллект в химии
* Хеминформатика
* Вычислительная химия
* Прогнозирование кристаллической структуры
* Теория функционала плотности
* Открытие лекарств
* Генеративный искусственный интеллект
* История материаловедения
* Машинное обучение в физике
* Проект материалов
* Белковый дизайн
* Хронология технологии материалов
* * * [https://next-gen.materialsproject.org/gnome GNoME Explorer] в проекте материалов
Google DeepMind
Машинное обучение
Материаловедение
Вычислительная химия
Вычислительная физика
Кристаллография
Подробнее: https://en.wikipedia.org/wiki/GNoME_(DeepMind)
«GNoME» («Графовые сети для исследования материалов») — это система искусственного интеллекта, разработанная Google DeepMind для обнаружения материалов. Он использует графовые нейронные сети и активное обучение (машинное обучение) | активное обучение для прогнозирования стабильных неорганических кристаллических структур, при этом кандидаты оцениваются с использованием расчетов теории функционала плотности. |last1=Торговец
|first1=Амиль
|last2=Бацнер
|first2=Саймон
|last3=Шенхольц
|first3=Сэмюэл С.
|last4=Айкол
|first4=Муратахан
|last5=Чхон
|first5=Говун
|last6=Кубук
|first6=Экин Догус
|title=Масштабирование глубокого обучения для открытия материалов
|journal=Природа (журнал)|Природа
|date=7 декабря 2023 г.
|объем=624
|выпуск=7990
|страниц=80–85
|doi=10.1038/s41586-023-06735-9
|bibcode=2023Природа.624...80M
|doi-access=бесплатно
О системе было объявлено в ноябре 2023 года, когда Google DeepMind сообщил, что GNoME идентифицировал примерно 2,2 миллиона кристаллических структур-кандидатов, в том числе около 380 000 предсказанных стабильных материалов. |last1=Торговец
|first1=Амиль
|last2=Кубук
|first2=Экин Догус
|title=Миллионы новых материалов обнаружены с помощью глубокого обучения
|website=Google DeepMind
|date=29 ноября 2023 г.
|url=https://deepmind.google/discover/blog/m ... -learning/
|дата доступа=6 мая 2026 г.
Результаты были опубликованы в журнале Nature, а предсказанные стабильные материалы были доступны через проект Berkeley Lab Materials Project, базу данных с открытым доступом для расчетных свойств материалов. |last=Бирон
|first=Лорен
|title=Google DeepMind добавляет почти 400 000 новых соединений в проект материалов лаборатории Беркли
|website=Национальная лаборатория Лоуренса Беркли
|date=29 ноября 2023 г.
|url=https://newscenter.lbl.gov/2023/11/29/g ... s-project/
|дата доступа=6 мая 2026 г.
==Фон==
Открытие стабильных неорганических соединений | неорганических кристаллов | кристаллов является серьезной проблемой в материаловедении, химии твердого тела и вычислительном материаловедении. Новые материалы важны для исследований и разработок|разработки полупроводников, исследований солнечных элементов|солнечных элементов, катализа, термоэлектрических материалов, :Категория:Топливо|топливо, ядерное топливо, сверхпроводимость, Исследования литий-ионных батарей|литий-ионных батарей и др. Список типов батарей|батарейных технологий. Традиционные методы открытия часто полагаются на экспериментальные пробы и ошибки, тогда как вычислительные подходы используют расчеты на основе физики, чтобы оценить, будет ли предлагаемый материал стабильным.
До появления GNoME такие базы данных, как «Проект материалов», «База данных неорганических кристаллических структур» и другие базы данных вычислительных материалов, использовались для идентификации и проверки структур-кандидатов. GNoME был разработан для расширения этого поиска за счет использования моделей машинного обучения, обученных на данных о кристаллической структуре и стабильности.
==Методология==
GNoME рассматривает возможные кристаллические структуры как графы. В этом представлении атомы моделируются как узлы, а отношения между соседними атомами моделируются как ребра. Упрощенное графическое представление можно записать так:
:G = (V, E)
где V — набор атомных позиций, а E — набор ребер, представляющих соседние атомные взаимодействия. Это делает графовые нейронные сети пригодными для моделирования кристаллов, поскольку кристаллическую структуру можно описать как идентичностью атомов, так и их геометрическим расположением.
В системе использовались два основных конвейера генерации кандидатов. Структурный конвейер генерировал новых кандидатов на основе известных кристаллических структур, а композиционный конвейер осуществлял поиск по химическим формулам, не требуя известной структуры в качестве входных данных. Материалы-кандидаты фильтровались с помощью модели машинного обучения, а затем оценивались с помощью теории функционала плотности. Результаты этих вычислений были добавлены обратно в данные обучения, создавая итеративный цикл активного обучения.
===Обозначение стабильности===
Основная цель GNoME — предсказать, является ли материал-кандидат термодинамически стабильным. Для соединения с полной энергией E_\text{total его энергию образования можно записать в упрощенной форме как:
:E_f = E_\text{total} - \sum_i n_i \mu_i
где E_f — энергия образования, n_i — количество атомов элемента i, а \mu_i — химический потенциал этого элемента. При компьютерном скрининге материалов соединения-кандидаты часто сравнивают с другими возможными фазами. Материал считается стабильным, если он лежит на выпуклой оболочке конкурирующих фаз с наименьшей энергией.
Энергию над выпуклой оболочкой можно выразить как:
:E_\text{hull} = E_f - E_\text{hull}^{\min}
где E_\text{hull}^{\min — минимальная энергия образования, доступная из конкурирующих стабильных фаз одного и того же общего состава. Материалы с E_\text{hull} = 0 находятся на выпуклой оболочке и считаются стабильными, тогда как материалы над оболочкой могут быть метастабильными или нестабильными.
==Приложения==
Предсказанные материалы из GNoME были описаны как кандидаты для дальнейшего скрининга в таких областях, как электроника, накопление энергии, фотоэлектрическая энергетика и ионика твердого тела. name="merchant2023" />
Некоторые данные, полученные из GNoME, также использовались в связи с A-Lab, автономной лабораторией синтеза материалов Национальной лаборатории Лоуренса в Беркли. В соответствующем документе «Nature (журнал)|Nature» сообщается, что A-Lab использовала данные из проекта Materials Project и Google DeepMind в автоматизированном рабочем процессе для синтеза неорганических соединений|неорганических материалов. |last1=Шиманский
|first1=Нэйтан Дж.
|last2=Ренди
|first2=Бернардус
|last3=Фей
|first3=Юйсин
|display-authors=etal
|title=Автономная лаборатория ускоренного синтеза неорганических материалов
|journal=Природа (журнал)|Природа
|date=7 декабря 2023 г.
|объем=624
|выпуск=7990
|страницы=86–91
|doi=10.1038/s41586-023-06734-w
|doi-access=бесплатно
|last=Пеплу
|first=Отметить
|title=ИИ и роботы Google объединяют усилия для создания новых материалов
|journal=Природа (журнал)|Природа
|date=29 ноября 2023 г.
|doi=10.1038/d41586-023-03745-5
==Прием и ограничения==
GNoME рассматривался как часть более широкой тенденции к научным открытиям с помощью искусственного интеллекта и автоматизированному исследованию материалов. Проект также сравнивали с другими крупномасштабными применениями машинного обучения в науке, такими как AlphaFold для прогнозирования структуры белков.
Некоторые исследователи позже выразили обеспокоенность по поводу дублирования и новизны в наборах кристаллографических данных, генерируемых ИИ. В 2025 году журнал «Chemical & Engineering News» сообщил, что исследователи выявили возможные точные и почти повторяющиеся кристаллические структуры в базе данных GNoME, и заявили, что такие проблемы следует помечать или исправлять в кристаллографических базах данных. |last=Чавла
|first=Далмит Сингх
|title=Дубликаты структур часто встречаются в кристаллографических базах данных
|журнал=Новости химии и техники
|date=16 декабря 2025 г.
|url=https://cen.acs.org/research-integrity/ ... eb/2025/12
|дата доступа=6 мая 2026 г.
Соответствующее исследование A-Lab также было исправлено журналом Nature в 2026 году после критики его первоначальных заявлений о недавно синтезированных материалах. |last=Чавла
|first=Далмит Сингх
|title=Робот-химик «Природа» исправлен, но некоторые вопросы остались без ответа
|журнал=Новости химии и техники
|date=29 января 2026 г.
|url=https://cen.acs.org/research-integrity/ ... eb/2026/01
|дата доступа=6 мая 2026 г.
==См. также==
* Искусственный интеллект в химии
* Хеминформатика
* Вычислительная химия
* Прогнозирование кристаллической структуры
* Теория функционала плотности
* Открытие лекарств
* Генеративный искусственный интеллект
* История материаловедения
* Машинное обучение в физике
* Проект материалов
* Белковый дизайн
* Хронология технологии материалов
* * * [https://next-gen.materialsproject.org/gnome GNoME Explorer] в проекте материалов
Google DeepMind
Машинное обучение
Материаловедение
Вычислительная химия
Вычислительная физика
Кристаллография
Подробнее: https://en.wikipedia.org/wiki/GNoME_(DeepMind)