Naukowcom z Uniwersytetu w Toronto udało się opracować metodę wytwarzania materiałów dla czystych energii, której działanie opiera się o modele AI oraz uczenie maszynowe. Do badań dołączył też superkomputer Niagara.
Pracochłonne poszukiwanie materiałów alternatywnych
Technologia uczenia maszynowego znowu ruszyła do laboratoriów, tym razem w Kanadzie, gdzie przyczyniła się do opracowania nowego, i przede wszystkim szybszego, sposobu odkrywania wydajniejszych materiałów dla czystej energii.
„Staramy się znaleźć lepsze alternatywy dla materiałów, które obecnie posiadamy.”
Alexa Voznyy – adiunkt na Wydziale Nauk Fizycznych i Środowiskowych Uniwersytetu w Toronto
Na ten moment prowadzone na uniwersytecie badania skupiają się na poszukiwaniu nowych materiałów dla akumulatorów litowo-jonowych, ogniw słonecznych, a także poruszają kwestie magazynowania wodoru czy też wychwytywania dwutlenku węgla. Jak zaznacza kierownik zespołu badawczego, odnalezione materiały niekoniecznie będą zupełnie nowe, a AI może podsunąć już znane, których dotychczas nie użyto w tym konkretnym celu.
Jak działa system wykorzystujący uczenie maszynowe?
Tradycyjne poszukiwania materiałów, prowadzone w celu odkryć i bazujące na standardowych obliczeniach, są pracochłonne, żmudne i długie, a często sięgają aż do poziomu chemii kwantowej. Opracowany model jednak jest w stanie robić to o wiele razy szybciej.
„Chcemy móc szybciej i wydajniej przewidywać nowe materiały, abyśmy mogli wcześniej rozpocząć fizyczne tworzenie tych materiałów i mieć większą pewność, że będą działać.”
Alexa Voznyy – adiunkt na Wydziale Nauk Fizycznych i Środowiskowych Uniwersytetu w Toronto
Stworzony przez naukowców system, powstający na superkomputerze Niagara, opiera się o uczenie maszynowe, którego model wykorzystuje dane zgromadzone w projekcie Materials, będącego bazą wiedzy o materiałach. Materials jest ogólnodostępny i prowadzony w typie open source. Znajdują się w nim bogate informacje na temat ponad 140 tysięcy materiałów.
Projekt Materials umożliwia odnalezienie m. in. takich informacji o materiale, jak struktura krystaliczna, wzory, gęstość, struktura elektroniczna, stabilność termodynamiczna, poziom magnetyzmu czy widma absorpcyjne promieniowania rentgenowskiego i wiele innych, rozbudowanych, a przede wszystkim zaawansowanych informacji.
Choć naukowcom udało się już wcześniej opracować modele, działające w oparciu o sztuczną inteligencję i uczenie maszynowe, problemem była dla nich możliwość przewidywania materiałów, których struktura krystaliczna nie była znana, co jest niezwykle istotne w dziedzinie, jaką jest materiałoznawstwo.
