De combinatie van geavanceerde kunstmatige intelligentie en cloud computing van de volgende generatie versnelt wetenschappelijke ontdekkingen met snelheden die slechts een paar jaar geleden onvoorstelbaar waren. Microsoft en het Pacific Northwest National Laboratory (PNNL) in Richland, Washington, werken samen om te demonstreren hoe deze versnelling de chemie en materiaalkunde, twee cruciale gebieden voor het vinden van de energieoplossingen die de wereld nodig heeft, kan ten goede komen.
Wetenschappers van PNNL testen een nieuw batterijmateriaal dat in slechts enkele weken, en niet jaren, is ontdekt als onderdeel van de samenwerking met Microsoft, via geavanceerde AI en high-performance computing (HPC). HPC is een type cloudgebaseerde computing dat grote hoeveelheden computers combineert om complexe wetenschappelijke en wiskundige taken op te lossen.
In het kader van deze inspanning heeft het Quantum-team van Microsoft AI gebruikt om ongeveer 500.000 stabiele materialen te identificeren in gewoon een paar dagen. Het nieuwe batterijmateriaal is voortgekomen uit een samenwerking die de Azure Quantum Elements van Microsoft gebruikte om 32 miljoen potentiële anorganische materialen terug te brengen tot 18 veelbelovende kandidaten in slechts 80 uur. Dit werk legt de basis voor een nieuwe manier om de oplossingen voor urgente uitdagingen in duurzaamheid, de farmaceutische industrie en andere velden te versnellen, waarbij tegelijkertijd een beeld wordt geschetst van de vooruitgang die met kwantumcomputing mogelijk zal zijn.
«We geloven dat er gelegenheid is om dit in verschillende wetenschappelijke gebieden te doen», zegt Brian Abrahamson, de digitale directeur van PNNL. «Recente technologische vooruitgang heeft de gelegenheid geopend om de wetenschappelijke ontdekking te versnellen».
Een nieuwe benadering voor de ontdekking van materialen
PNNL is een laboratorium van het Amerikaanse Ministerie van Energie dat onderzoek verricht op verschillende gebieden, waaronder chemie en materiaalkunde, met doelstellingen voor verzekering en energieduurzaamheid. Dit maakt het tot de ideale medewerker voor Microsoft, door het benutten van geavanceerde AI-modellen om nieuwe batterijmateriaalkandidaten te ontdekken.
«De ontwikkeling van nieuwe batterijen is een uiterst belangrijke wereldwijde uitdaging», zegt Abrahamson. «Het is een arbeidsintensief proces geweest. Het synthetiseren en testen van materialen op menselijke schaal is fundamenteel beperkend».
Van hypothese naar praktijk
Traditioneel begint materiaalsynthese met het doornemen van alle gepubliceerde studies over andere materialen en het formuleren van hypothesen over hoe verschillende benaderingen zouden kunnen werken. «Een van de belangrijkste uitdagingen is dat mensen hun succesverhalen en niet hun mislukkingen publiceren», zegt Vijay Murugesan, de leider van de Materials Science Group bij PNNL. Dit betekent dat wetenschappers zelden leren van de fouten van anderen.
De volgende traditionele stap is het testen van de hypothesen, een lang en iteratief proces. «Als het een mislukking is, beginnen we weer vanaf de tekentafîk», zegt Murugesan. In een eerder project bij PNNL, een vanadium redox flow-batterijtechnologie, duurde het meerdere jaren om een probleem op te lossen en een nieuw materiaal te ontwerpen.
AI to the Rescue
Microsoft heeft verschillende AI-systemen getraind om op een geraffineerde manier alle bruikbare elementen te analyseren en combinaties voor te stellen. Het algoritme stelde 32 miljoen kandidaten voor. Daarna filterde AI de stabiele materialen, en verwijderde kandidaten op basis van hun reactiviteit en vermogen om energie te geleiden.
«Bij elke simulatiestap waar ik een kwantumchemische berekening zou moeten uitvoeren, gebruik ik in plaats daarvan het machine learning model. Zo krijg ik de inzichten en gedetailleerde waarnemingen die komen van het uitvoeren van de simulatie, maar de simulatie kan tot 500.000 keer sneller zijn», zegt Nathan Baker, de productleider voor Azure Quantum Elements.
Dankzij deze combinatie van AI en HPC duurde het ontdekken van de veelbelovende kandidaten slechts 80 uur.
Brede toepassingen en toegankelijkheid
De wetenschappers van Microsoft hebben AI gebruikt om het meeste van de kandidatenreductie uit te voeren, wat ongeveer 90% van de computationele tijd vertegenwoordigt. De materiaalwetenschappers van PNNL hebben daarna de lijst met topmaterialen beoordeeld. Omdat de AI-tools van Microsoft zijn opgeleid voor chemie en niet alleen voor accusystemen, kunnen ze worden gebruikt voor elk soort materiaalonderzoek, en de cloud is altijd toegankelijk.
«Wij geloven dat de cloud een geweldige bron is om de toegankelijkheid voor onderzoeksgemeenschappen te verbeteren», zegt Abrahamson.
Verassende resultaten
Het recentelijk ontdekte materiaal dat de wetenschappers van PNNL aan het testen zijn, gebruikt zowel lithium als natrium, samen met andere elementen, om de hoeveelheid lithium aanzienlijk te verminderen. Hoewel het proces zich nog in beginfase bevindt, zijn er significante vooruitgangen geboekt bij de snelle identificatie van levensvatbare chemie voor batterijen.
Met deze samenwerking tussen Microsoft en PNNL is er een nieuw tijdperk van versnelling ingeluid in de wetenschappelijke ontdekking, waarbij AI en HPC het onderzoeksveld.transformeren en snelle oplossingen bieden voor wereldwijde kritieke problemen.
Referenties: Microsoft nieuws en Microsoft Quantum Team. Foto Microsoft.