AI của Google có thực sự đang khám phá 'Hàng triệu vật liệu mới?'

Vào tháng 11, bộ phận AI của Google DeepMindđã xuất bản một thông cáo báo chí có tiêu đề “Hàng triệu tài liệu mới được khám phá nhờ học sâu”." Nhưng bây giờ, các nhà nghiên cứu đã phân tích một tập hợp con của những gì DeepMind phát hiện ra cho biết "chúng tôi vẫn chưa tìm thấy bất kỳ hợp chất mới lạ nào". trong tập con đó.

“Công cụ AI GNoME tìm thấy 2,2 triệu tinh thể mới, bao gồm 380.000 vật liệu ổn định có thể cung cấp năng lượng cho các công nghệ trong tương lai”, Google viết về phát hiện này và nói thêm rằng phát hiện này “tương đương với kiến ​​thức có giá trị gần 800 năm” mà nhiều khám phá “đã thoát khỏi trực giác hóa học trước đây của con người,” và đó là “sự mở rộng cấp độ về các vật liệu ổn định mà nhân loại đã biết đến”. Tờ giấy đãxuất bản nămThiên nhiên và đãđược đưa tin rất rộng rãi trên báo chí như một ví dụ về hứa hẹn đáng kinh ngạc của AI trong khoa học.

Một tờ giấy khác,được công bố cùng thời điểm và được thực hiện bởi các nhà nghiên cứu tại Phòng thí nghiệm quốc gia Lawrence Berkeley “hợp tác với Google DeepMind… cho thấy các dự đoán AI của chúng tôi có thể được tận dụng như thế nào để tổng hợp vật liệu tự động”, Google viết. Trong thí nghiệm này, các nhà nghiên cứu đã tạo ra một “phòng thí nghiệm tự trị” (A-Lab) sử dụng “các phép tính, dữ liệu lịch sử từ tài liệu, học máy và học tập tích cực để lập kế hoạch và giải thích kết quả của các thí nghiệm được thực hiện bằng cách sử dụng robot”. Về cơ bản, các nhà nghiên cứu đã sử dụng AI và robot để loại bỏ con người khỏi phòng thí nghiệm, và kết quả là sau 17 ngày phát hiện và tổng hợp các vật liệu mới, điều mà các nhà nghiên cứu đã viết “chứng minh tính hiệu quả của các nền tảng điều khiển bằng trí tuệ nhân tạo để khám phá vật liệu tự động. ”

SƠ ĐỒ TỪ GIẤY VẬT LIỆU HÓA CHẤT GIẢI THÍCH NHỮNG GÌ NÊN TẠO RA MỘT "VẬT LIỆU" MỚI;

Nhưng vào tháng trước, hai nhóm nhà nghiên cứu bên ngoài đã phân tích các bài báo của DeepMind và Berkeley, đồng thời công bố các phân tích của riêng họ và ít nhất cho thấy rằng nghiên cứu cụ thể này đang được bán quá mức. Mọi người trong thế giới khoa học vật liệu mà tôi đã nói chuyện đều nhấn mạnh rằng AI có nhiều hứa hẹn trong việc khám phá các loại vật liệu mới. Nhưng họ nói rằng Google và các kỹ thuật học sâu của nó không đột nhiên tạo ra bước đột phá đáng kinh ngạc trong thế giới khoa học vật liệu.

Trong một bài báo quan điểm được xuất bản trongVật liệu hóa học tuần này, Anthony Cheetham và Ram Seshadri của Đại học California, Santa Barbara đã chọn một mẫu ngẫu nhiên trong số 380.000 cấu trúc được đề xuất do DeepMind phát hành và nói rằng không có cấu trúc nào trong số chúng đáp ứng được bài kiểm tra ba phần về việc liệu tài liệu được đề xuất có “đáng tin cậy” hay không. “hữu ích” và “mới lạ”. Họ tin rằng những gì DeepMind tìm thấy là “các hợp chất vô cơ kết tinh và nên được mô tả như vậy, thay vì sử dụng nhãn chung chung hơn là ‘vật liệu’”, mà họ nói là một thuật ngữ nên dành riêng cho những thứ “thể hiện một số tiện ích”.

Trong phân tích, họ viết “chúng tôi vẫn chưa tìm thấy bất kỳ hợp chất mới nổi bật nào trong danh sách GNoME và Cấu trúc ổn định, mặc dù chúng tôi dự đoán rằng phải có một số hợp chất trong số 384.870 hợp chất. Chúng tôi cũng lưu ý rằng, mặc dù nhiều sáng tác mới là sự chuyển thể tầm thường của các vật liệu đã biết, nhưng phương pháp tính toán mang lại các sáng tác tổng thể đáng tin cậy, giúp chúng tôi tin tưởng rằng phương pháp cơ bản là đúng đắn.”

"hầu hết chúng có thể đáng tin cậy, nhưng chúng không mới lạ lắm vì chúng đơn giản là dẫn xuất của những thứ đã được biết đến"

Trong một cuộc phỏng vấn qua điện thoại, Cheetham nói với tôi “bài báo của Google chưa thể đóng góp thiết thực, hữu ích cho các nhà khoa học về vật liệu thí nghiệm”. Seshadri cho biết “chúng tôi thực sự nghĩ rằng Google đã bỏ sót mục tiêu ở đây”.

Cheetham nói: “Nếu tôi đang tìm kiếm một loại vật liệu mới để thực hiện một chức năng cụ thể, tôi sẽ không xem qua hơn 2 triệu tác phẩm mới như đề xuất của Google”. “Tôi không nghĩ đó là cách tốt nhất để tiến về phía trước. Tôi nghĩ phương pháp chung có thể hoạt động khá tốt, nhưng nó cần tập trung hơn nhiều vào các nhu cầu cụ thể, để không ai trong chúng ta có đủ thời gian trong đời để xem qua 2,2 triệu khả năng và quyết định xem điều đó có thể hữu ích như thế nào. Chúng tôi đã dành khá nhiều thời gian để xem xét một tập hợp con rất nhỏ những thứ họ đề xuất và chúng tôi nhận ra rằng không những chúng không có chức năng mà hầu hết chúng đều có thể đáng tin cậy, nhưng chúng cũng không mới lạ lắm vì chúng dẫn xuất đơn giản của những điều đã biết.”

Google DeepMind đã nói với tôi trong một tuyên bố: “Chúng tôi ủng hộ mọi tuyên bố được đưa ra trong bài báo về GNoME của Google DeepMind”.

“Nghiên cứu GNoME của chúng tôi đại diện cho nhiều vật liệu ứng cử viên có quy mô lớn hơn những gì khoa học biết đến trước đây và hàng trăm vật liệu mà chúng tôi dự đoán đã được các nhà khoa học trên khắp thế giới tổng hợp độc lập,” nó nói thêm. Dự án Vật liệu, mộtcơ sở dữ liệu thuộc tính vật liệu truy cập mở , đã nhận thấy cơ sở dữ liệu GNoMe của Google là cơ sở dữ liệu hàng đầu khi so sánh với các mô hình học máy khác và Google cho biết rằng một số lời chỉ trích trong phân tích Vật liệu Hóa học, chẳng hạn như thực tế là nhiều vật liệu mới đã có cấu trúc đã biết. nhưng sử dụng các yếu tố khác nhau, được thiết kế bởi DeepMind.

Trong khi đó, tờ Berkeley tuyên bố rằng một “phòng thí nghiệm tự trị” (được gọi là “A-Lab”) đã sử dụng các cấu trúc do một dự án khác có tên là Dự án Vật liệu đề xuất và sử dụng robot để tổng hợp chúng mà không cần sự can thiệp của con người và tạo ra 43 “hợp chất mới”. Có một nhà nghiên cứu DeepMind viết về bài báo này và Google đã quảng bá nó trong thông cáo báo chí của mình, nhưng Google đã không tích cực thực hiện thử nghiệm.

Các nhà nghiên cứu con ngườiphân tích phát hiện này tìm thấy rằng nó cũng có vấn đề: “Chúng tôi thảo luận về tất cả 43 sản phẩm tổng hợp và chỉ ra bốn thiếu sót phổ biến trong phân tích. Thật không may, những lỗi này dẫn đến kết luận rằng không có vật liệu mới nào được phát hiện trong nghiên cứu đó”, các tác giả, bao gồm Leslie Schoop của Đại học Princeton và Robert Palgrave của Đại học College London, đã viết trong phân tích của họ.

Một lần nữa, mỗi nhà nghiên cứu trong số bốn nhà nghiên cứu mà tôi đã nói chuyện đều nói rằng họ tin rằng quy trình tìm kiếm vật liệu mới được hướng dẫn bởi AI cho thấy nhiều hứa hẹn, nhưng nói rằng các bài báo cụ thể mà họ phân tích không nhất thiết phải là những đột phá lớn và chúng không nên được bối cảnh hóa như vậy.

“Trong bài báo DeepMind có rất nhiều ví dụ về các vật liệu được dự đoán rõ ràng là vô nghĩa. Không chỉ với các chuyên gia về môn học, mà hầu hết học sinh trung học đều có thể nói rằng các hợp chất như H2O11 (là một dự đoán của Deepmind) trông không ổn,” Palgrave nói với tôi. “Có rất nhiều ví dụ khác về các từ ghép sai rõ ràng và Cheetham/Seshadri đã làm rất tốt việc phân tích vấn đề này một cách ngoại giao hơn những gì tôi đang làm ở đây. Đối với tôi, có vẻ như việc kiểm soát chất lượng cơ bản đã không xảy ra—việc ML đưa ra những hợp chất như dự đoán là điều đáng báo động và đối với tôi, điều gì đó đã xảy ra không ổn.”

AI đã được sử dụng để tràn ngập Internet với rất nhiều nội dung mà con người không thể dễ dàng phân tích cú pháp, điều này khiến việc khám phá công việc chất lượng cao do con người tạo ra là một thách thức. Đó là một sự tương tự không hoàn hảo, nhưng các nhà nghiên cứu mà tôi đã nói chuyện đã nói rằng điều tương tự cũng có thể xảy ra trong khoa học vật liệu: Cơ sở dữ liệu khổng lồ về các cấu trúc tiềm năng không nhất thiết giúp việc tạo ra thứ gì đó có tác động tích cực trở nên dễ dàng hơn. ảnh hưởng đến xã hội.

Palgrave nói: “Có một số lợi ích khi biết hàng triệu vật liệu (nếu chính xác) nhưng làm cách nào để bạn điều hướng không gian này để tìm kiếm những vật liệu hữu ích để tạo ra?”. “Sẽ tốt hơn nếu bạn có ý tưởng về một vài hợp chất mới có đặc tính hữu ích đặc biệt hơn là hàng triệu hợp chất mà bạn không biết hợp chất nào tốt.”

Schoop cho biết đã có “50 nghìn hợp chất vô cơ kết tinh độc đáo, nhưng chúng tôi chỉ biết đặc tính của một phần nhỏ trong số này. Vì vậy, tôi không rõ tại sao chúng ta cần thêm hàng triệu hợp chất nữa nếu chúng ta chưa hiểu hết những hợp chất mà chúng ta biết. Việc dự đoán các đặc tính của vật liệu có thể sẽ hữu ích hơn nhiều so với việc chỉ đơn thuần là những vật liệu mới.”

Một lần nữa, Google DeepMind cho biết họ giữ quan điểm của mình và đưa ra các vấn đề với những đặc điểm này, nhưng công bằng mà nói thì hiện tại có rất nhiều tranh luận về cách AI và học máy có thể được sử dụng để khám phá các tài liệu mới, những khám phá này sẽ như thế nào được bối cảnh hóa, thử nghiệm và hành động cũng như cách thức và liệu việc đưa cơ sở dữ liệu khổng lồ về các cấu trúc được đề xuất ra thế giới có thực sự dẫn đến những đột phá mới, hữu hình cho xã hội hay liệu nó chỉ đơn giản là tạo ra nhiều tiếng ồn.

Seshadri nói: “Về cơ bản, chúng tôi không nghĩ rằng có vấn đề với AI. “Chúng tôi nghĩ vấn đề nằm ở cách bạn sử dụng nó. Chúng tôi không giống như những người lạc hậu nghĩ rằng những kỹ thuật này không có chỗ đứng trong khoa học của chúng tôi.”