從計算機芯片、電池到太陽能電池板等現代技術都依賴于無機晶體。開發這些新技術，所需的晶體必須穩定，否則材料就會分解，而每個新的、穩定的晶體背后可能需要研究人員數月或者更久的艱苦實驗。

Google DeepMind 材料團隊分享了 220 萬顆新晶體的發現，相當于近 800 年的知識。該團隊推出了新的深度學習工具，用于材料探索的圖網絡 (GNoME)，可通過預測新材料的穩定性來顯著提高發現的速度和效率。

論文鏈接：https://www.nature.com/articles/s41586-023-06735-9

使用 GNoME，科學家可以使人類已知的技術上可行的材料數量成倍增加。在其 220 萬個預測中，有 38 萬個是最穩定的。這些候選材料中有潛力開發未來變革性技術，包括超導體、超級計算機供電和下一代電池等等。

GNoME 展示了利用人工智能大規模發現和開發新材料的潛力。世界各地實驗室的外部研究人員在并行工作中獨立實驗創建了 736 個此類新結構。

勞倫斯伯克利國家實驗室的研究團隊與 Google DeepMind 合作，開發了一個將機器人技術與人工智能 (AI) 相結合的自主新材料發現合成系統，被稱為 A-Lab，可用于設計材料配方，其中包括一些可能用于汽車電池或太陽能電池的材料。它進行合成并分析產品的所有過程都無需人工干預。

這些進步有望大大加速清潔能源技術、下一代電子產品和許多其他應用材料的發展。「我們身邊的許多技術，包括電池和太陽能電池，都可以通過更好的材料來真正改進?！?倫敦 Google DeepMind 材料發現團隊的領導者 Ekin Dogus Cubuk 說。

「科學發現是人工智能的下一個前沿領域?！辜~約伊薩卡康奈爾大學人工智能科學研究所聯席主任 Carla Gomes 評論道，「這就是為什么我覺得這如此令人興奮?！?/span>

相關研究分別以「Scaling deep learning for materials discovery」和「An autonomous laboratory for the accelerated synthesis of novel materials」為題，于 2023 年 11 月 29 日發布在《Nature》。

超大尺寸材料發現

經過幾個世紀的艱苦實驗室工作，化學家已經合成了數十萬種無機化合物——一般來說，這些材料不是基于碳原子鏈，而碳原子鏈是有機化學的特征。然而研究表明，數十億種相對簡單的無機材料仍有待發現。那么從哪里開始尋找呢？

Google DeepMind 材料發現團隊展示了大規模訓練的圖網絡可以達到前所未有的泛化水平，從而將材料發現的效率提高一個數量級。他們開發的GNoME，在對從材料項目和類似數據庫中抓取的數據進行訓練后（其中包括 48,000 個穩定晶體）調整了已知材料的成分，得出了 220 萬種潛在化合物，其中許多結構并不在人類之前的化學直覺之內。在計算這些材料是否穩定并預測其晶體結構后，系統最終統計出 381,000 種新無機化合物，將其添加到材料項目數據庫中。

該工作代表了人類已知的穩定材料的數量級擴展。在穩定結構中，有 736 個已通過獨立實驗實現。數億次第一原理計算的規模和多樣性也釋放了下游應用程序的建模能力，特別是導致高度準確和強大的學習原子間勢，可用于凝聚相分子動力學模擬和離子電導率的高保真零樣本預測。

圖：GNoME 預測的材料之一 Ba6Nb7O21 的晶體結構。（來源：論文）

至關重要的是，GNoME 使用多種策略來預測比以前的 AI 系統更多的材料。例如，與其將材料中的所有鈣離子都改為鎂離子，不如只替換其中的一半，或者嘗試更廣泛的不尋常原子交換。如果這些調整不起作用也沒有問題，因為系統會清除所有不穩定的因素，并從錯誤中吸取教訓?！高@就像用于材料發現的 ChatGPT?！笹omes 說。

高效準確的機器人

預測某種材料的存在是一回事，但在實驗室中實際制造它又是另一回事。這就是 A-Lab 的用武之地。「我們現在有能力快速制造我們通過計算得出的這些新材料?！笰-Lab 團隊的領導者、勞倫斯伯克利國家實驗室和加州大學伯克利分校的材料科學家 Gerbrand Ceder 說道。

位于勞倫斯伯克利國家實驗室的 A-Lab 使用最先進的機器人技術來混合和加熱粉末狀固體成分，然后分析產品從而檢查該過程是否有效。該項目耗資 200 萬美元，歷時 18 個月建成。該項目但最大的挑戰在于使用人工智能使系統真正自主，以便使 A-Lab 可以計劃實驗、解釋數據并就如何改進綜合做出決策?！高@些機器人看起來非常有趣，但創新實際上是在幕后進行的?！笴eder 說。

Ceder 的團隊從 Materials Project 數據庫中識別出 58 種預計穩定的目標化合物，將它們與 GNoME 數據庫進行交叉檢查，并將目標移交給 A-Lab 的機器學習模型。通過梳理 30,000 多個已發布的合成程序，A-Lab 可以評估每個目標與現有材料的相似性，并提出制造所需的成分和反應溫度。

總之，A-Lab 花了 17 天的時間，從 58 個目標中分離出了 41 種新型化合物，其中包括各種氧化物和磷酸鹽。它的合成配方是由根據文獻訓練的自然語言模型提出的，并使用基于熱力學的主動學習方法進行優化。同時，對合成失敗的分析提供了直接且可行的建議，從而進一步改進當前的材料篩選和合成設計技術。高成功率證明了人工智能驅動平臺在自主材料發現方面的有效性，并推動了計算、歷史知識和機器人技術的進一步整合。

視頻：A-Lab 操作演示。（來源：論文）

英國利物浦大學材料創新工廠的學術主任 Andy Cooper 表示，很明顯，GNoME 等系統可以做出比自主實驗室更多的計算預測?！肝覀冋嬲枰氖歉嬖V我們要做什么的計算?！笴ooper 說。為此，人工智能系統必須準確計算更多預測材料的化學和物理特性。

模擬、機器學習和機器人技術的進步相互交叉，形成了“專家系統”，通過其自動化組件的總和，將自主性顯示為一種新興的品質。A-Lab 通過將現代理論驅動和數據驅動的機器學習技術與模塊化工作流程相結合來證明這一點，該工作流程可以以最少的人力投入發現新穎的材料。

從持續實驗中吸取的經驗教訓可以通過系統的數據生成和收集為系統本身和更大的社區提供信息。A-Lab 的系統性提供了一個獨特的機會來回答有關控制新型材料可合成性的因素的基本問題，充當實驗預言機來驗證基于材料項目等豐富數據資源做出的預測。

與此同時，A-Lab 仍在運行反應，并將結果添加到材料項目中，以便世界各地的科學家可以利用它們來為自己的研究提供便利。這種不斷增長的緩存可能是該系統最大的資產，Ceder 說：「它本質上是常見固體反應性的地圖。這就是改變世界的東西——不是 A-Lab 本身，而是它產生的知識和信息。