无论是开发新的清洁能源，还是发展出更好的信息处理方法，想要在这些现代技术应用上取得突破，都离不开创造出具有新颖功能的无机晶体材料，并且这些晶体必须是稳定的，不会分解成相似的能量较低的成分。

然而，每一个新的、稳定的晶体的创造，背后都经历了耗时持久的艰苦实验。几十年来，科学家通过实验已经在无机晶体结构数据库（ICSD）中编目了20,000个“计算上”稳定的结构。但从成本、产量和合成复杂性来看，科学家越来越意识到，这种实验策略远称不上完美。

现在，在一项新发表于《自然》杂志的研究中，DeepMind团队利用新的人工智能工具GNoMe发现了220万个新晶体，其中381,000个最稳定的晶体，有望成为实验合成的候选材料，为超导体、超级计算机供电等一系列未来技术的革新和发展助力。

  最先进的图神经网络  

GNoME是“材料探索图网络”的缩写，是DeepMind的一个新的深度学习工具。它可以通过预测新材料的稳定性，极大地提高发现新材料的速度和效率。

GNoME是一个最先进的图神经网络（GNN）模型。GNN的输入数据采用的是图的形式，这些图就好像是原子之间的连接，因此特别适用于发现新的晶体材料。

最初，研究人员使用由“材料计划”（Materials Project）开发了十多年的数据来对GNoME进行训练。材料计划是一个于2011年建立的开放获取数据库，它计算已知的和预测的材料的性质。在训练过程中，研究人员会用GNoME来生成新的候选晶体，并预测它们的稳定性。

为了评估GNoMe在渐进训练周期中的预测能力，研究人员使用被称为密度泛函理论（DFT）的计算技术反复检查其性能，并使用一种被称为“主动学习”的训练过程，不断改进算法，然后将得到的高质量训练数据反馈到模型训练中。这极大地提高了GNoMe的性能，将材料稳定性预测的发现率从50%左右提高到了80%。

在ICSD数据库中，通过实验确定了大约有20000个在计算上稳定的晶体。来自材料计划、开放量子材料数据库和WBM数据库的计算方法将这一数字提高到48,000个。GNoME将人类已知的稳定晶体的数量增加到42.1万种。（图/DeepMind）

最终，GNoME生产了220万个晶体结构，其中38万个稳定的晶体结构已经被添加到“材料计划”中。

  在实验室合成 

正如我们前面所说的，过去，科学家都是通过对已有的晶体进行调整，或在实验中进行新的元素组合尝试来寻找新的晶体结构。这是一个昂贵的、需要反复试验的过程。

在过去的十年中，科学家们开始尝试使用计算方法来发现新的晶体材料。这些由人工智能主导的方法帮助科学家发现了28,000种新晶体，但这些方法在准确预测出可以在实验室合成的材料方面受到了限制。

但在由GNoME发现的38万多个最稳定的晶体结构中，世界各地的科学家已经在实验中创造出了736个，这表明GNoMe以前所未有的规模和准确性预测了稳定的晶体结构。

DeepMind的研究人员在搜索了科学文献后，发现736个新的稳定晶体结构已经由世界各地的科学家团队独立实现，图中列出的是六个例子。（图/DeepMind）

GNoME为材料科学的贡献具有巨大的价值。例如，GNoME计算出的52,000种类似石墨烯的新型层状化合物，有可能随着超导体的发展而彻底改变电子学。在此之前，科学家只确定了大约1000种这样的材料。不仅如此，GNoME还发现了528种潜在的锂离子导体，这一数量是之前研究的25倍，有望在提高可充电电池的性能方面发挥巨大作用。

  人工智能的新材料  

现在，DeepMind的研究人员已经公开发布了新发现的晶体数据库。他们希望通过给科学家提供这些新的候选材料的完整目录，帮助他们测试并制造出最好的材料。

伯克利实验室的一个自动实验室，人工智能指导机器人制造新材料。（图/Marilyn Sargent/Berkeley Lab）

与此同时，DeepMind的研究人员还与劳伦斯伯克利国家实验室的科学家合作，探讨了GNoME的预测结果可以被如何用于材料的自动合成。他们同样将这项研究发表在《自然》杂志上，在论文中，他们展示了利用来自“材料计划”的材料和GNoME对稳定性的见解，一个自动实验室成功合成了41多种新材料，为人工智能驱动的材料合成开辟了新的可能性。

为了建设一个更可持续的未来，我们需要新的材料。DeepMind为此所进行的研究，以及世界各地的研究人员为此做出的努力，彰显了使用人工智能指导材料发现、实验和合成的潜力。或许有朝一日，GNoME与其他人工智能工具可以帮助我们彻底改变材料研究的方法，并重塑这一重要领域的未来。

上一篇：“当枝松宜东”化工新材料产业一体化发展联盟成立 下一篇：浙大团队研发新型材料助力化工原料高纯低碳分离