17天獨自創(chuàng)造41種新材料，AI再次贏了人類

只用了 17 天，人工智能（AI）便獨自創(chuàng)造了 41 種新材料，每天超過兩種。

相比之下，人類科學家可能需要幾個月的嘗試和實驗，才能創(chuàng)造出一種新材料。

今天，這個名為 A-Lab 的 AI 實驗室，登上了權威科學期刊 Nature。

據(jù)介紹，A-Lab 是一個由 AI 指導機器人制造新材料的實驗室，能夠在最少的人為干預下迅速發(fā)現(xiàn)新材料，其可以幫助確定和快速跟蹤多個研究領域的材料，包括電池、儲能、太陽能電池、燃料電池等。

值得一提的是，在一次測試任務中，A-Lab 成功合成了 58 種預測材料中的 41 種，成功率達到了 71%。

這些測試數(shù)據(jù)來自伯克利實驗室開放獲取數(shù)據(jù)庫 Materials Project 和由 Google DeepMind 開發(fā)的 Graph Networks for Materials Exploration（GNoME）深度學習工具。

同樣在今天，Google DeepMind 的 GNoME 也登上了 Nature，其為 Materials Project 貢獻了近 40 萬種新化合物，是自該項目成立以來，由一個團隊添加的最大一次新增結構穩(wěn)定性數(shù)據(jù)，大大增加了科學家用于為未來技術發(fā)明新材料的開放存取資源。

伯克利實驗室 Materials Project 創(chuàng)始人兼主任、加州大學伯克利分校教授 Kristin Persson 表示，“要解決全球環(huán)境和氣候挑戰(zhàn)，我們必須創(chuàng)造新材料。借助材料創(chuàng)新，我們可以開發(fā)可回收塑料、利用廢棄能源、制造更好的電池，并構建更便宜、壽命更長的太陽能電池板等?！?/p>

有了AI，制造、測試新材料更快了

新技術的發(fā)展往往需要新材料。然而，制造一個材料并非易事。

科學家們已經通過計算預測了數(shù)十萬種新型材料，但測試這些材料是否能在現(xiàn)實中制造出來是一個緩慢的過程。一個材料從計算到商業(yè)化需要很長時間。它必須具有合適的屬性，能夠在設備中工作，能夠擴展，且具有合適的成本效率和性能。

如今，借助超級計算機和模擬技術，研究人員不再需要靠盲目的嘗試從零開始創(chuàng)造材料。

在此次工作中，Google DeepMind 團隊使用 Materials Project 十多年來開發(fā)的工作流程和數(shù)據(jù)對 GNoME 進行了訓練，并通過主動學習改進了 GNoME 算法。

最終，GNoME 產生了 220 萬種晶體結構，其中有 38 萬種被納入 Materials Project 中，且被預測為是穩(wěn)定的。這些數(shù)據(jù)包括材料原子的排列方式（晶體結構）和穩(wěn)定性（形成能）。

圖｜化合物 Ba?Nb?O?? 是 GNoME 計算出的新材料之一，包含鋇（藍色）、鈮（白色）和氧（綠色）。

據(jù)論文描述，GNoME 已將結構穩(wěn)定預測的精確性提高到 80% 以上，在預測成分時每 100 次試驗的精確度提高到 33%（相比之下，此前工作中該數(shù)字僅為 1%）。

Google DeepMind 材料發(fā)現(xiàn)團隊負責人 Ekin Dogus Cubuk 表示：“我們希望 GNoME 項目能夠推動無機晶體研究的發(fā)展。外部研究人員已經通過獨立的物理實驗驗證了 GNoME 發(fā)現(xiàn)的 736 多種新材料，證明了我們模型的發(fā)現(xiàn)可以在實驗室中實現(xiàn)。”

然而，研究團隊在論文中也指出，在實際應用中，GNoME 仍存在一些開放性問題，其中包括由競爭多形體引發(fā)的相變、振動輪廓和構型熵引起的動態(tài)穩(wěn)定性，以及對最終合成能力的更深入理解。

為了制造 Materials Project 預測的新化合物，A-Lab 的 AI 通過研究科學論文并使用主動學習進行調整，創(chuàng)造出了新的配方。

伯克利實驗室和加州大學伯克利分?？茖W家、A-Lab 首席研究員 Gerd Ceder 說：“我們的成功率達到了驚人的 71%，而且我們已經找到了一些改進方法。我們已經證明，將理論和數(shù)據(jù)與自動化相結合，會產生令人難以置信的結果。我們可以比以往任何時候都更快地制造和測試材料?！?/p>

據(jù)介紹，對決策算法做一些小改動，這一成功率還可提高到 74%，如果計算技術得到改進，還能將成功率進一步提高到 78%。

Persson 說：“我們不僅要讓我們產生的數(shù)據(jù)免費并可用于加速全球的材料設計，而且還要向世界傳授計算機可以為人們做些什么。它們可以比單獨的實驗更高效、更快地掃描大范圍的新化合物和屬性?！?/p>

有了 A-Lab 和 GNoME 等的幫助，科學家可以專注于未來技術中有前景的材料，比如提高汽車燃油經濟性的更輕合金、提高可再生能源效率的更高效太陽能電池，或者是下一代計算機中更快的晶體管。

已顯示出應用潛力

目前，Materials Project 正在處理更多 Google DeepMind 的化合物，并將其添加到在線數(shù)據(jù)庫中。這些新數(shù)據(jù)將免費提供給研究人員，且也會輸入到諸如 A-Lab 這樣與 Materials Project 合作的項目中。

圖｜Materials Project 數(shù)據(jù)庫中 12 種化合物的結構。

過去十年中，研究人員根據(jù) Materials Project 數(shù)據(jù)中的線索，在多個領域通過實驗證實了新材料的有用性。其中一些已顯示出應用潛力，例如：

在碳捕獲中（從大氣中提取二氧化碳）

作為光催化劑（在光的作用下加速化學反應的材料，可用于分解污染物或產生氫氣）

作為熱電材料（有助于利用廢熱并將其轉化為電能的材料）

作為透明導體（可用于太陽能電池、觸摸屏或 LED）

當然，找到這些潛在材料只是解決人類面臨的一些重大技術挑戰(zhàn)的眾多步驟之一。

除了以上兩項研究，近年來，AI 在新材料發(fā)現(xiàn)、合成方面，取得了諸多突破。

2020 年，一個包括美國國家標準與技術研究所（NIST）在內的多機構研究團隊開發(fā)出了一種名為 CAMEO 的 AI 算法，該算法在不需要科學家額外訓練的情況下，自主發(fā)現(xiàn)了一種潛在的實用新材料。

圖 | CAMEO 在一個閉環(huán)操作中尋找新材料的過程（來源：NIST）

同年，來自北卡羅萊納州立大學和布法羅大學的研究人員開發(fā)了一項名為“人工化學家”的技術，該技術結合了 AI 和執(zhí)行化學反應的自動化系統(tǒng)，以加速研發(fā)和生產商業(yè)所需的新化學材料。

2022 年，美國加州大學圣地亞哥分校工程學院的納米工程師開發(fā)了一種 AI 算法——M3GNet，該算法幾乎可以即時地預測任何材料（無論是現(xiàn)有材料還是新材料）的結構和動態(tài)特性。研究人員可使用其來尋找更安全、能量密度更高的可充電鋰離子電池電極和電解質。

圖 | 多體圖勢能及主要計算模塊的示意圖（來源：加州大學圣地亞哥分校）

今年 3 月，發(fā)表在 Nature Synthesis 上的一項研究設想了一種由組合合成和 AI 技術共同發(fā)展推動的加速材料科學的未來。為了評估合成技術對特定實驗工作流的適用性，研究人員建立了一套涵蓋合成速度、可擴展性、范圍和合成質量的十項度量標準，并在這些度量標準的背景下總結了一些選擇性的組合合成技術。

作為高新技術的基礎和先導，新材料應用范圍極其廣泛，它同信息技術、生物技術一起成為 21 世紀最重要和最具發(fā)展?jié)摿Φ念I域。

未來，隨著 AI 等技術的突破性發(fā)展，科學家將有望聚焦在未來技術中更具前景的材料上，如提高汽車燃油經濟性的更輕的合金、促進可再生能源發(fā)展的更高效的太陽能電池，以及在下一代計算機中發(fā)揮作用的更快的晶體管等。

參考鏈接：

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

https://www.nature.com/articles/s41586-023-06734-w