谷歌 DeepMind 研究人員使用 AI 工具發現 200 萬種新材料

　　GoogleDeepMind的研究團隊通過人工智能工具 GNoME 發現了 220 萬種理論上穩定但實驗上未實現的晶體結構，這一成果在《自然》雜志上發表。這一發現的晶體結構數量是科學史上發現的數量的 45 倍以上，為可再生能源和先進計算等領域的發展提供了潛在的進步。

　　研究人員計劃向其他科學家公開其中最有前景的 381，000 種結構，以便在太陽能電池到超導體等領域進行制造和測試。這一舉措凸顯了利用人工智能能夠簡化多年實驗工作的潛力，并可能帶來改進的產品和過程。

　　Ekin Dogus Cubuk，該論文的共同作者之一，表示：「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。」

　　DeepMind 團隊的目標是發現新的晶體，以補充之前計算出的已識別的 48，000 種。已知的物質范圍從已知數千年的銅和鐵，到更多最近的發現。

　　DeepMind 團隊通過使用機器學習首先生成候選結構，然后評估它們的可能穩定性，從而識別出新材料。據 DeepMind 估計，基于過去十年發現的 28，000 種穩定材料，這些物質的數量相當于近 800 年以前實驗獲得的知識。

　　《自然》雜志中的論文指出：「從微芯片到電池和光伏材料，無機晶體的發現一直受到昂貴的試錯方法的限制。我們的工作代表了人類已知穩定材料數量的數量級擴展。」

　　Cubuk 說，新化合物的兩種潛在應用包括發明多功能分層材料和發展仿生計算，后者使用芯片模仿人腦的工作。

　　加州大學伯克利分校和勞倫斯伯克利國家實驗室的研究人員已經利用這些發現作為創造新材料的實驗工作的一部分，這在《自然》雜志上發表的另一篇論文中有所提及。

　　該團隊部署了計算、歷史數據和機器學習，以指導一個名為 A-lab 的自動化實驗室，從 58 個目標清單中創建了 41 種新化合物——成功率超過 70%。

　　加州大學教授及論文共同作者 Gerbrand Ceder 表示，這一高成功率令人驚訝，甚至可能進一步提高。他補充說，改進的關鍵在于將 AI 技術與現有資源(如大量過去合成反應的數據集)結合使用。

　　他說：「雖然 A-lab 的機器人技術很酷，但真正的創新是將各種知識和數據來源與 A-lab 結合起來，以智能地驅動合成。」

　　麻省理工學院的 Bilge Yildiz 教授表示，這兩篇《自然》雜志論文中概述的技術將使新材料能夠「以應對世界重大挑戰所需的速度」識別新材料，他沒有參與這兩項研究。

　　「這個龐大的無機晶體數據庫應該充滿待發現的『寶石』，以推進清潔能源和環境挑戰的解決方案，」在麻省理工學院材料科學與工程以及核科學與工程系工作的 Yildiz 說。