重新能源汽车电池到太阳能电池，再到打算机芯片等诸多领域，一旦有新材料创造，无疑可加速技能层面的打破。
不过，新材料的研发常日须要科学家们花费数月乃至数年的韶光进行反复试验和验证。
然而，谷歌旗下DeepMind近日公布的一项研究或将极大加快新材料在浩瀚科技领域的运用速率。

谷歌DeepMind的研究团队通过人工智能工具“材料探索图形网络（以下简称GNoME）”创造了多达220万种理论上稳定，但绝大部分在实验上尚未实现的晶体构造，这一成果于11月29日在顶刊《自然（Nature）》杂志上揭橥。

GNoME创造的晶体构造数量是科学史上创造的此类物质数量的45倍以上，业内认为，这项技能为可再生能源和前辈打算芯片等领域的发展供应新路径。

GNoME稳定性预测精度在迭代学习中迅速提高

据悉，这项被称为GNoME的人工智能模型旨在预测无机晶体构造，即原子的重复排列，使某种材料具有分外的性子。
迄今为止，人类已知的大约只有48000种无机晶体。

这次GNoME模型将这个数字扩展到多达220万种。
Deepmind称，在这220万种新晶体构造中，个中有38万个稳定的晶体构造有望通过实验合成，有实际的运用前景，可能发展出“未来的变革性技能”，例如超导材料和下一代电池材料等。
GNoME“在人类已知的稳定材料中实现了数量级的扩展，创造了大约800年来具有革命性潜力的新材料。
”

为了创造更多新材料，DeepMind团队结合了两种不同的深度学习模型。
第一种是通过对现有材料中的元素进行修正，产生了超过10亿个构造。
第二种方法则抛开现有的材料构造，完备根据化学式来预测新材料的稳定性。
这两种深度学习模型的结合，为新材料的创造供应了更广泛的可能性。

DeepMind揭橥在《自然》上的论文

候选的新材料构造天生后，研究职员通过GNoME模型进行筛选。
该模型可以预测特定构造的分解能量（decomposition energy），这是衡量材料稳定程度的主要指标。
只有“稳定”、不易分解的材料，才能对工业用场产生主要意义。
因此，GNoME会预测并选择最具有运用前景的材料，并根据已知的理论框架对其进行进一步评估。

据悉，上述过程会被DeepMind团队重复多次，且每一次的创造都会被纳入下一次的演习中。
虽然第一轮的测试中，GNoME预测不同材料稳定性的精度仅为5%旁边，但在全体迭代学习的过程中，GNoME的预测精度迅速提高。
终极的结果表明，GNoME在第一个模型中预测构造稳定性的精度已经超过80%，在第二个模型中精度则提高到了33%。

虽然新构造中的一些可能会衰变为更稳定的形式，或者不可能完备创建，但DeepMind团队已经在实验室中成功创造出了736种GNoME所创造的新材料，包括碱土金刚石样光学材料（Li4MgGe2S7）和潜在的超导体（Mo5GeB2），目前正在进行测试。

GNoME预测的各种新材料的晶体构造 图片来源：DeepMind

DeepMind的上述论文共同作者之一、材料研发主管Dogus Cubuk称，“对我来说，材料科学基本上是抽象思维与物理宇宙的交汇点，很难想象有哪项技能不会因更好的材料而得到改进。
”

麻省理工学院材料科学与工程教授Ju Li认为，GNoME可以被视为材料创造领域的“阿尔法Fold”。
“阿尔法Fold”是DeepMind于2020年推出的人工智能系统，能够高精度地预测蛋白质构造，并在生物研究和药物创造方面取得了重大进展。
Ju Li称，得益于GNoME的强大能力，人类已知稳定材料的数量增长了近10倍，达到42.1万种。

GNoME已创造500多种有运用前景的锂离子导体

《逐日经济***》把稳到，实在利用人工智能模型制造新材料并非DeepMind创始——由美国劳伦斯伯克利国家实验室Kristin Persson领导的“材料项目（Materials Project）”已经利用类似的技能创造并提高了48000种材料的稳定性。
该实验从材料数据库中获取数据，个中包括了GNoME的一些创造，并利用机器学习和机器臂，在没有人类干预的情形下设计新材料。

图片来源：伯克利国家实验室

然而，GNoME创造的新材料在规模和精度上都使其有别于劳伦斯伯克利国家实验室的事情。

明尼苏达大学化学工程与材料科学助理教授Chris Bartel认为，与之前的任何模型比较，GNoME的演习数据至少多了一个数量级。
马里兰大学材料科学与工程系副教授Yifei Mo也指出，以提高行类似的研究不仅本钱高昂，而且规模有限，GNoME可以让这些新材料的创造以更高的精度和更低的打算本钱进行扩展，“影响可能是巨大的。
”

更主要的是，DeepMind团队已经与伯克利国家实验室展开互助，并创建了一个能够自主合成这些新晶体的机器人实验室，名为A-Lab。
新材料被创造后，将这些材料合成并验证它们的用场也同样主要。
A-Lab也一贯在将GNoME的一些创造与其“材料项目”成果结合，即将机器人技能与机器学习相结合，以优化这些材料的后续开拓。

DeepMind和伯克利实验室的研究职员表示，这些新人工智能工具可以帮助加速能源、打算机和许多其他领域的硬件创新。
例如，锂离子电池导体便是GNoME人工智能模型创造的新材料中最有运用前景的案例之一。
DeepMind称，GNoME已创造了528 种有运用前景的锂离子导体，个中一些可能有助于提高电动车电池的效率。

然而，纵然在新材料被创造之后，常日也须要几十年的韶光才能将其推向商业运用阶段。
Dogus Cubuk在***发布会上称，“如果我们能把这个从创造到运用的过程缩短到5年，那将是一个很大的进步。
”

逐日经济***