电子产品世界

无机晶体对许多当代技术至关重要，包括计算机芯片、电池和太阳能电池板。每个新的、稳定的晶体都是通过数月的细致实验得出的，而稳定的晶体对于启用新技术至关重要，因为它们不会溶解。

研究人员进行了昂贵的反复试验，但结果有限。他们通过修改现有晶体或尝试其他元素组合来寻找新的晶体结构。在过去的十年里，由Materials Project等主导的计算方法发现了28,000种新材料。直到现在，新兴的人工智能引导技术可靠地预测实验可行的材料的能力一直是一个主要限制。

来自劳伦斯伯克利国家实验室和Google DeepMind的研究人员在《自然》杂志上发表了两篇论文，展示了我们的人工智能预测在自主材料合成方面的潜力。该研究显示找到了220万个新晶体，相当于约800年的信息量。他们的新深度学习工具，材料探索图网络（GNoME），预测了新材料的稳定性，极大地提高了发现的速度和效率。GNoME展示了人工智能在大规模发现和开发新材料方面的潜力。全球不同实验室的科学家同时进行的努力产生了736种这样的新结构。

GNoME使技术上可行的材料数量增加了两倍。在其220万个预测中，有38万个由于其稳定性而被认为在实验合成中具有最大潜力。其中包括具有提高电动汽车效率的下一代电池和为超级计算机提供动力的超导体等材料。

GNoME是一种先进的图神经网络（GNN）模型。由于GNN输入数据由类似于原子连接的图表示，GNN非常适合寻找新的结晶材料。

最初用于训练GNoME的晶体结构及其稳定性的数据是通过Materials Project公开提供的。采用“主动学习”作为训练方法显著提高了GNoME的效率。研究人员生成了新的晶体候选，并使用GNoME预测了它们的稳定性。他们使用密度泛函理论（DFT），这是物理学、化学和材料科学中一种被广泛采用的计算方法，用于理解原子结构——这对于评估晶体稳定性至关重要——在渐进的训练周期中反复检查模型的性能以评估其预测能力。高质量的训练数据再次进入该过程。

研究结果表明，该研究将材料稳定性预测的发现率从约50%提高到80%，使用早期最先进模型作为指南的外部基准集。对该模型效率的改进使发现率从不到10%提高到80%以上；这些效率的提高可能对每一次发现所需的计算能力产生重大影响。

自主实验室利用来自Materials Project的成分和GNoME的稳定性信息生产了超过41种新材料，为AI驱动的材料合成的进一步发展铺平了道路。

GNoME的预测已经向科学界发布。研究人员将提供这些预测给Materials Project，该项目将分析这些化合物并将它们添加到其在线数据库中，其中包含38万种材料。通过这些资源的帮助，他们希望社区将进一步研究无机晶体，并认识到机器学习技术作为实验指南的潜力。

关键词： 人工智能 材料 自动 电池