GNoME kann laut Ju Li, einem Professor für Materialwissenschaften und -technik am Massachusetts Institute of Technology, als AlphaFold für die Materialentdeckung beschrieben werden. AlphaFold, ein im Jahr 2020 angekündigtes DeepMind-KI-System, sagt die Strukturen von Proteinen mit hoher Genauigkeit voraus und hat seitdem die biologische Forschung und Arzneimittelentwicklung vorangetrieben. Dank GNoME hat sich die Zahl der bekannten stabilen Materialien fast verzehnfacht, auf 421.000.
„Während Materialien in fast jeder Technologie eine sehr entscheidende Rolle spielen, kennen wir als Menschheit nur einige Zehntausende stabiler Materialien“, sagte Dogus Cubuk, Leiter der Materialentdeckung bei Google DeepMind, bei einer Pressekonferenz.
Um neue Materialien zu entdecken, kombinieren Wissenschaftler Elemente des Periodensystems. Da es jedoch so viele Kombinationen gibt, ist es ineffizient, diesen Prozess blind durchzuführen. Stattdessen bauen Forscher auf bestehenden Strukturen auf und nehmen kleine Änderungen vor, in der Hoffnung, neue Kombinationen mit Potenzial zu entdecken. Allerdings ist dieser mühsame Prozess immer noch sehr zeitaufwändig. Da es auf bestehenden Strukturen aufbaut, begrenzt es außerdem das Potenzial für unerwartete Entdeckungen.
Um diese Einschränkungen zu überwinden, kombiniert DeepMind zwei verschiedene Deep-Learning-Modelle. Die erste erzeugt mehr als eine Milliarde Strukturen, indem sie Änderungen an Elementen in vorhandenen Materialien vornimmt. Die zweite lässt jedoch bestehende Strukturen außer Acht und sagt die Stabilität neuer Materialien rein auf Basis chemischer Formeln voraus. Die Kombination dieser beiden Modelle ermöglicht ein viel breiteres Spektrum an Möglichkeiten.
Sobald die Kandidatenstrukturen generiert sind, werden sie durch die GNoME-Modelle von DeepMind gefiltert. Die Modelle sagen die Zersetzungsenergie einer bestimmten Struktur voraus, was ein wichtiger Indikator dafür ist, wie stabil das Material sein kann. „Stabile“ Materialien zersetzen sich nicht so leicht, was für technische Zwecke wichtig ist. GNoME wählt die vielversprechendsten Kandidaten aus, die auf der Grundlage bekannter theoretischer Rahmenbedingungen einer weiteren Bewertung unterzogen werden.
Dieser Vorgang wird dann mehrmals wiederholt, wobei jede Entdeckung in die nächste Trainingsrunde einfließt.
In seiner ersten Runde sagte GNoME die Stabilität verschiedener Materialien mit einer Genauigkeit von etwa 5 % voraus, diese steigerte sich jedoch im Laufe des iterativen Lernprozesses schnell. Die Endergebnisse zeigten, dass es GNoME gelang, die Stabilität von Strukturen beim ersten Modell in 80 % der Fälle und beim zweiten in 33 % der Fälle vorherzusagen.