從新能源汽車電池到太陽能電池，再到計算機芯片等諸多領域，一旦有新材料發(fā)現(xiàn)，無疑可加速技術層面的突破。不過，新材料的研發(fā)通常需要科學家們花費數(shù)月甚至數(shù)年的時間進行反復試驗和驗證。然而，谷歌旗下DeepMind近日公布的一項研究或?qū)O大加快新材料在眾多科技領域的應用速度。

谷歌DeepMind的研究團隊通過人工智能工具“材料探索圖形網(wǎng)絡（以下簡稱GNoME）”發(fā)現(xiàn)了多達220萬種理論上穩(wěn)定，但絕大部分在實驗上尚未實現(xiàn)的晶體結構，這一成果于11月29日在頂刊《自然（Nature）》雜志上發(fā)表。

GNoME發(fā)現(xiàn)的晶體結構數(shù)量是科學史上發(fā)現(xiàn)的此類物質(zhì)數(shù)量的45倍以上，業(yè)內(nèi)認為，這項技術為可再生能源和先進計算芯片等領域的發(fā)展提供新路徑。

GNoME穩(wěn)定性預測精度在迭代學習中迅速提高

據(jù)悉，這項被稱為GNoME的人工智能模型旨在預測無機晶體結構，即原子的重復排列，使某種材料具有特殊的性質(zhì)。迄今為止，人類已知的大約只有48000種無機晶體。

此次GNoME模型將這個數(shù)字擴展到多達220萬種。Deepmind稱，在這220萬種新晶體結構中，其中有38萬個穩(wěn)定的晶體結構有望通過實驗合成，有實際的應用前景，可能發(fā)展出“未來的變革性技術”，例如超導材料和下一代電池材料等。GNoME“在人類已知的穩(wěn)定材料中實現(xiàn)了數(shù)量級的擴展，發(fā)現(xiàn)了大約800年來具有革命性潛力的新材料?！?/span>

為了發(fā)現(xiàn)更多新材料，DeepMind團隊結合了兩種不同的深度學習模型。第一種是通過對現(xiàn)有材料中的元素進行修改，產(chǎn)生了超過10億個結構。第二種方法則拋開現(xiàn)有的材料結構，完全根據(jù)化學式來預測新材料的穩(wěn)定性。這兩種深度學習模型的結合，為新材料的發(fā)現(xiàn)提供了更廣泛的可能性。

候選的新材料結構生成后，研究人員通過GNoME模型進行篩選。該模型可以預測特定結構的分解能量（decomposition energy），這是衡量材料穩(wěn)定程度的重要指標。只有“穩(wěn)定”、不易分解的材料，才能對工業(yè)用途產(chǎn)生重要意義。因此，GNoME會預測并選擇最具有應用前景的材料，并根據(jù)已知的理論框架對其進行進一步評估。

據(jù)悉，上述過程會被DeepMind團隊重復多次，且每一次的發(fā)現(xiàn)都會被納入下一次的訓練中。雖然第一輪的測試中，GNoME預測不同材料穩(wěn)定性的精度僅為5%左右，但在整個迭代學習的過程中，GNoME的預測精度迅速提高。最終的結果表明，GNoME在第一個模型中預測結構穩(wěn)定性的精度已經(jīng)超過80%，在第二個模型中精度則提高到了33%。

雖然新結構中的一些可能會衰變?yōu)楦€(wěn)定的形式，或者不可能完全創(chuàng)建，但DeepMind團隊已經(jīng)在實驗室中成功創(chuàng)造出了736種GNoME所發(fā)現(xiàn)的新材料，包括堿土金剛石樣光學材料（Li4MgGe2S7）和潛在的超導體（Mo5GeB2），目前正在進行測試。

DeepMind的上述論文共同作者之一、材料研發(fā)主管Dogus Cubuk稱，“對我來說，材料科學基本上是抽象思維與物理宇宙的交匯點，很難想象有哪項技術不會因更好的材料而得到改進?！?/span>

麻省理工學院材料科學與工程教授Ju Li認為，GNoME可以被視為材料發(fā)現(xiàn)領域的“阿爾法Fold”。“阿爾法Fold”是DeepMind于2020年推出的人工智能系統(tǒng)，能夠高精度地預測蛋白質(zhì)結構，并在生物研究和藥物發(fā)現(xiàn)方面取得了重大進展。Ju Li稱，得益于GNoME的強大能力，人類已知穩(wěn)定材料的數(shù)量增長了近10倍，達到42.1萬種。

GNoME已發(fā)現(xiàn)500多種有應用前景的鋰離子導體

其實利用人工智能模型制造新材料并非DeepMind首創(chuàng)——由美國勞倫斯伯克利國家實驗室Kristin Persson領導的“材料項目（Materials Project）”已經(jīng)使用類似的技術發(fā)現(xiàn)并提高了48000種材料的穩(wěn)定性。該實驗從材料數(shù)據(jù)庫中獲取數(shù)據(jù)，其中包括了GNoME的一些發(fā)現(xiàn)，并使用機器學習和機械臂，在沒有人類干預的情況下設計新材料。

然而，GNoME發(fā)現(xiàn)的新材料在規(guī)模和精度上都使其有別于勞倫斯伯克利國家實驗室的工作。

明尼蘇達大學化學工程與材料科學助理教授Chris Bartel認為，與之前的任何模型相比，GNoME的訓練數(shù)據(jù)至少多了一個數(shù)量級。馬里蘭大學材料科學與工程系副教授Yifei Mo也指出，以前進行類似的研究不僅成本高昂，而且規(guī)模有限，GNoME可以讓這些新材料的發(fā)現(xiàn)以更高的精度和更低的計算成本進行擴展，“影響可能是巨大的。”

更重要的是，DeepMind團隊已經(jīng)與伯克利國家實驗室展開合作，并創(chuàng)建了一個能夠自主合成這些新晶體的機器人實驗室，名為A-Lab。新材料被發(fā)現(xiàn)后，將這些材料合成并驗證它們的用途也同樣重要。A-Lab也一直在將GNoME的一些發(fā)現(xiàn)與其“材料項目”成果結合，即將機器人技術與機器學習相結合，以優(yōu)化這些材料的后續(xù)開發(fā)。

DeepMind和伯克利實驗室的研究人員表示，這些新人工智能工具可以幫助加速能源、計算機和許多其他領域的硬件創(chuàng)新。例如，鋰離子電池導體就是GNoME人工智能模型發(fā)現(xiàn)的新材料中最有應用前景的案例之一。DeepMind稱，GNoME已發(fā)現(xiàn)了528 種有應用前景的鋰離子導體，其中一些可能有助于提高電動車電池的效率。

然而，即使在新材料被發(fā)現(xiàn)之后，通常也需要幾十年的時間才能將其推向商業(yè)應用階段。Dogus Cubuk在新聞發(fā)布會上稱，

（稿件來源：每經(jīng)網(wǎng)）