GNoME, la nueva herramienta de Google DeepMind

GNoME puede ser definido como AlphaFold para el descubrimiento de materiales.


Google DeepMind, el laboratorio de IA de Google, ha anunciado el desarrollo de una nueva herramienta de aprendizaje profundo con la que podrá predecir estructuras de 2,2 millones de nuevos materiales. Actualmente, 700 ya han sido creadas en el laboratorio y se encuentran en fase de prueba. El nombre de esta revolucionaria herramienta de IA es GNoME.

GNoME (Graph Networks for Materials Exploration) ha sido entrenada utilizando flujos de trabajo y datos acumulados durante una década por el Proyecto de Materiales de Google DeepMind, al cual aporta casi 400.000 nuevos compuesto químicos.

Entre los datos se incluye la disposición de los átomos de un material (estructura cristalina) y su estabilidad, por lo que podrán ser de enorme utilidad en tecnologías futuras. La irrupción de GNoMe ha supuesto que el número de materiales estables conocidos se multiplique por diez (un total de 421.000).

El equipo multidisciplinar de GNoMe

El equipo de investigación está conformado, entre otras personalidades, por Nathan J. Szymanski, Gerd Ceder y Kristin Persson, los tres del Laboratorio Nacional Lawrence Berkeley y de la Universidad de California en Berkeley (EEUU). Todas las investigaciones y sus pertinentes resultados han sido publicados en un artículo titulado ´An autonomous laboratory for the accelerated synthesis of novel materials´ de la revista académica Nature.

Las claves de GNoMe

GNoME puede ser definido como AlphaFold para el descubrimiento de materiales. Recordar que AlphaFold es un sistema de IA de DeepMind creado en 2020 capaz de predecir las estructuras de las proteínas con una elevada precisión, indagando con creces en la investigación biológica y en el descubrimiento de fármacos.

Gracias a GNoMe se pueden fabricar baterías para vehículos eléctricos, células solares y microchips de una forma más rápida y eficiente. Si bien es cierto, para descubrir nuevos materiales es necesario combinar elementos de la tabla periódica entre sí, existiendo infinidad de combinaciones y ajustes con gran potencial. De ahí que se limite el potencial de descubrimientos inesperados.

En este sentido, DeepMind es capaz de combinar dos modelos diferentes de aprendizaje profundo. El primero genera más de mil millones de estructuras aplicando modificaciones en elementos de materiales existentes, mientras que el segundo ignora las estructuras existentes y predice la estabilidad de los nuevos materiales a partir de fórmulas químicas.

Todas esas estructuras son filtradas mediante los modelos GNoME de DeepMind y predicen la energía de descomposición de una determinada estructura, seleccionando cuáles son los candidatos más óptimos mediante una evaluación adicional.

Su nivel de precisión

Hay que tener en cuenta que en su primera ronda GNoME predijo la estabilidad de los materiales con una precisión del 5%, aunque rápidamente fue aumentándola durante el proceso de aprendizaje iterativo. Así pues, GNoME ha logrado predecir la estabilidad de las estructuras en un 80% de tiempo menos que el primero modelo y en un 33% menos que el segundo.

GNoME ha sido entrenado con, al menos, una orden de magnitud más de datos que otros modelos anteriores. Realizar cálculos similares era algo muy costoso y de escala limitada, pero GNoMe consigue ahora aplicar una mayor precisión y un costo computacional inferior.

Otra innovación destacada

El Laboratorio Nacional Lawrence Berkeley también ha anunciado un nuevo laboratorio autónomo. Éste toma datos de la base de datos de materiales que incluye algunos de los descubrimientos de GNoME y utiliza el aprendizaje automático y brazos robóticos para diseñar nuevos materiales sin intervención humana. A-Lab, que es el nombre del laboratorio, es capaz de integrar la robótica con el aprendizaje automático.

Toma sus propias decisiones sobre cómo elaborar un material propuesto y crea hasta cinco formulaciones iniciales basado en la literatura científica existente. Posteriormente se emplean los resultados para ajustar las recetas. De esta forma, se han podido realizar 355 experimentos durante 17 días, obteniéndose el éxito pleno en 41 de los 58 compuestos propuestos.

Así pues, los investigadores de DeepMind y Berkeley Lab asegura que las nuevas herramientas de IA podrán ayudar a acelerar la innovación en materia de hardware en energía, informática y otros sectores diversos. Con anterioridad, el Materials Project, un programa dirigido por Kristin Persson en Berkeley Lab, utilizó técnicas similares a la IA para mejorar la estabilidad de 48.000 materiales.

Descubrir nuevo materiales supone una labor, por parte de las industrias, de muchas décadas hasta poderlos extrapolar al terreno comercial. De este modo, se podrá reducir el periodo hasta en cinco años.