Η αναζήτηση νέων υλικών βρίσκεται σε μια καμπή ριζικού μετασχηματισμού, με τους υπερυπολογιστές και την τεχνητή νοημοσύνη να συνεργάζονται σε πρωτοφανή κλίμακα. Οι εφαρμογές αυτής της σύμπραξης είναι πολλαπλές – από την πυρηνική τεχνολογία έως τις μπαταρίες – με τη δεύτερη περίπτωση να αποτελεί το πιο χειροπιαστό παράδειγμα σήμερα.
Μια ερευνητική ομάδα από το University of Michigan, με επικεφαλής τον Venkat Vishwanathan, αξιοποιεί την υπολογιστική ισχύ των κέντρων του Department of Energy στο Argonne National Laboratory για να επιταχύνει την ανακάλυψη νέων ηλεκτροδίων και ηλεκτρολυτών. Ένας τομέας που μέχρι πρόσφατα βασιζόταν περισσότερο στη διαίσθηση και στις επαναλαμβανόμενες δοκιμές, με τις μεγάλες ανακαλύψεις να συγκεντρώνονται σε μια σχετικά σύντομη περίοδο μεταξύ 1975 και 1985. Έκτοτε, οι βελτιώσεις ήταν περισσότερο σταδιακές παρά επαναστατικές.
Στην καρδιά του project βρίσκονται τα λεγόμενα foundational models: αλγόριθμοι τεχνητής νοημοσύνης που δεν εκπαιδεύονται σε συγκεκριμένες αποστολές, αλλά σε δισεκατομμύρια μόρια, ώστε να αποκτήσουν μια γενική γνώση της χημείας. Αυτό τους επιτρέπει να προβλέπουν κρίσιμες ιδιότητες για τις μπαταρίες, όπως την αγωγιμότητα, το σημείο τήξης ή τη θερμική σταθερότητα. Για να δημιουργήσουν ένα τόσο εκτεταμένο μοντέλο, οι ερευνητές χρησιμοποίησαν τον υπερυπολογιστή Polaris, αξιοποιώντας τη γλώσσα χημικής αναπαράστασης SMILES και το νέο εργαλείο SMIRK, το οποίο αυξάνει την ακρίβεια των προσομοιώσεων.
Αν και το πρώτο μοντέλο επικεντρώνεται στους ηλεκτρολύτες, η ομάδα ήδη αναπτύσσει ένα δεύτερο νευρωνικό δίκτυο αφιερωμένο στα υλικά ηλεκτροδίων. Για την εκπαίδευσή του χρησιμοποιείται το Aurora, ένας από τους πιο προηγμένους υπερυπολογιστές παγκοσμίως, που προσφέρει πρωτόγνωρη υπολογιστική ισχύ.
Ο όγκος των πιθανών χημικών συνδυασμών ξεπερνά το 10⁶⁰ – αριθμοί που καθιστούν αδύνατη μια παραδοσιακή εργαστηριακή προσέγγιση. Σε αυτό το σημείο παρεμβαίνει η τεχνητή νοημοσύνη: φιλτράρει τις επιλογές και προτείνει τους πιο υποσχόμενους υποψήφιους, μειώνοντας δραματικά τον χρόνο και το κόστος της έρευνας.
Ένα ακόμη καινοτόμο στοιχείο του προγράμματος είναι η διασύνδεση των μοντέλων με chatbots βασισμένα σε LLMs, όπως το ChatGPT. Έτσι, φοιτητές και ερευνητές μπορούν να αλληλεπιδρούν απευθείας με το σύστημα, διερευνώντας γρήγορα υποθέσεις χωρίς να απαιτούνται πολύπλοκοι κώδικες. Όπως εξηγεί ο Vishwanathan, είναι σαν να έχει κανείς έναν ειδικό στην ηλεκτροχημεία διαθέσιμο καθημερινά, ικανό να προτείνει νέες ιδέες και ενώσεις που μπορεί να ξαφνιάσουν ακόμα και τους πιο έμπειρους επιστήμονες.
Φυσικά, η εκπαίδευση μοντέλων τόσο μεγάλης κλίμακας απαιτεί τεράστια υποδομή. Μέσω του προγράμματος INCITE, η ομάδα εξασφάλισε αποκλειστική πρόσβαση στους υπερυπολογιστές του Argonne Leadership Computing Facility, ξεπερνώντας τους οικονομικούς και τεχνικούς περιορισμούς των λύσεων στο cloud. Παράλληλα, η συνεργασία με ειδικούς από τη γονιδιωματική και άλλους επιστημονικούς κλάδους βοήθησε στη βελτιστοποίηση της απόδοσης, αποδεικνύοντας πόσο καθοριστική είναι η διεπιστημονικότητα σε τέτοια εγχειρήματα.
Η νέα γενιά αυτών των εργαλείων αλλάζει ριζικά την ίδια τη σύλληψη της επιστημονικής έρευνας. Από την απλή συλλογή και ανάλυση δεδομένων, οι επιστήμονες περνούν πλέον σε μια δημιουργική συνεργασία με μοντέλα που μπορούν να προτείνουν πρωτότυπες λύσεις. Αν παλαιότερα η ανακάλυψη νέων υλικών βασιζόταν συχνά στην τύχη ή στη διαίσθηση, σήμερα οι υπερυπολογιστές και η τεχνητή νοημοσύνη ανοίγουν ορίζοντες όπου η καινοτομία μπορεί να καθοδηγείται από την προβλεπτική δύναμη των αλγορίθμων και τη μαζική υπολογιστική ισχύ.
Το ερώτημα που μένει είναι πόσο γρήγορα οι εξελίξεις αυτές θα μεταφραστούν σε απτές τεχνολογίες, όπως μπαταρίες ασφαλέστερες, με μεγαλύτερη διάρκεια ζωής και χαμηλότερο περιβαλλοντικό αποτύπωμα.
[via]
