每經(jīng)記者｜蔡鼎    每經(jīng)編輯｜蘭素英    

從新能源汽車電池到太陽能電池，再到計算機芯片等諸多領域，一旦有新材料發(fā)現(xiàn)，無疑可加速技術層面的突破。不過，新材料的研發(fā)通常需要科學家們花費數(shù)月甚至數(shù)年的時間進行反復試驗和驗證。然而，谷歌旗下DeepMind近日公布的一項研究或將極大加快新材料在眾多科技領域的應用速度。

谷歌DeepMind的研究團隊通過人工智能工具“材料探索圖形網(wǎng)絡（以下簡稱GNoME）”發(fā)現(xiàn)了多達220萬種理論上穩(wěn)定，但絕大部分在實驗上尚未實現(xiàn)的晶體結構，這一成果于11月29日在頂刊《自然（Nature）》雜志上發(fā)表。

GNoME發(fā)現(xiàn)的晶體結構數(shù)量是科學史上發(fā)現(xiàn)的此類物質數(shù)量的45倍以上，業(yè)內認為，這項技術為可再生能源和先進計算芯片等領域的發(fā)展提供新路徑。

GNoME穩(wěn)定性預測精度在迭代學習中迅速提高

據(jù)悉，這項被稱為GNoME的人工智能模型旨在預測無機晶體結構，即原子的重復排列，使某種材料具有特殊的性質。迄今為止，人類已知的大約只有48000種無機晶體。

此次GNoME模型將這個數(shù)字擴展到多達220萬種。Deepmind稱，在這220萬種新晶體結構中，其中有38萬個穩(wěn)定的晶體結構有望通過實驗合成，有實際的應用前景，可能發(fā)展出“未來的變革性技術”，例如超導材料和下一代電池材料等。GNoME“在人類已知的穩(wěn)定材料中實現(xiàn)了數(shù)量級的擴展，發(fā)現(xiàn)了大約800年來具有革命性潛力的新材料。”

為了發(fā)現(xiàn)更多新材料，DeepMind團隊結合了兩種不同的深度學習模型。第一種是通過對現(xiàn)有材料中的元素進行修改，產(chǎn)生了超過10億個結構。第二種方法則拋開現(xiàn)有的材料結構，完全根據(jù)化學式來預測新材料的穩(wěn)定性。這兩種深度學習模型的結合，為新材料的發(fā)現(xiàn)提供了更廣泛的可能性。

DeepMind發(fā)表在《自然》上的論文

候選的新材料結構生成后，研究人員通過GNoME模型進行篩選。該模型可以預測特定結構的分解能量（decomposition energy），這是衡量材料穩(wěn)定程度的重要指標。只有“穩(wěn)定”、不易分解的材料，才能對工業(yè)用途產(chǎn)生重要意義。因此，GNoME會預測并選擇最具有應用前景的材料，并根據(jù)已知的理論框架對其進行進一步評估。

據(jù)悉，上述過程會被DeepMind團隊重復多次，且每一次的發(fā)現(xiàn)都會被納入下一次的訓練中。雖然第一輪的測試中，GNoME預測不同材料穩(wěn)定性的精度僅為5%左右，但在整個迭代學習的過程中，GNoME的預測精度迅速提高。最終的結果表明，GNoME在第一個模型中預測結構穩(wěn)定性的精度已經(jīng)超過80%，在第二個模型中精度則提高到了33%。

雖然新結構中的一些可能會衰變?yōu)楦€(wěn)定的形式，或者不可能完全創(chuàng)建，但DeepMind團隊已經(jīng)在實驗室中成功創(chuàng)造出了736種GNoME所發(fā)現(xiàn)的新材料，包括堿土金剛石樣光學材料（Li4MgGe2S7）和潛在的超導體（Mo5GeB2），目前正在進行測試。

GNoME預測的各種新材料的晶體結構 圖片來源：DeepMind

DeepMind的上述論文共同作者之一、材料研發(fā)主管Dogus Cubuk稱，“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。”

麻省理工學院材料科學與工程教授Ju Li認為，GNoME可以被視為材料發(fā)現(xiàn)領域的“阿爾法Fold”。“阿爾法Fold”是DeepMind于2020年推出的人工智能系統(tǒng)，能夠高精度地預測蛋白質結構，并在生物研究和藥物發(fā)現(xiàn)方面取得了重大進展。Ju Li稱，得益于GNoME的強大能力，人類已知穩(wěn)定材料的數(shù)量增長了近10倍，達到42.1萬種。

GNoME已發(fā)現(xiàn)500多種有應用前景的鋰離子導體

《每日經(jīng)濟新聞》記者注意到，其實利用人工智能模型制造新材料并非DeepMind首創(chuàng)——由美國勞倫斯伯克利國家實驗室Kristin Persson領導的“材料項目（Materials Project）”已經(jīng)使用類似的技術發(fā)現(xiàn)并提高了48000種材料的穩(wěn)定性。該實驗從材料數(shù)據(jù)庫中獲取數(shù)據(jù)，其中包括了GNoME的一些發(fā)現(xiàn)，并使用機器學習和機械臂，在沒有人類干預的情況下設計新材料。

圖片來源：伯克利國家實驗室

然而，GNoME發(fā)現(xiàn)的新材料在規(guī)模和精度上都使其有別于勞倫斯伯克利國家實驗室的工作。

明尼蘇達大學化學工程與材料科學助理教授Chris Bartel認為，與之前的任何模型相比，GNoME的訓練數(shù)據(jù)至少多了一個數(shù)量級。馬里蘭大學材料科學與工程系副教授Yifei Mo也指出，以前進行類似的研究不僅成本高昂，而且規(guī)模有限，GNoME可以讓這些新材料的發(fā)現(xiàn)以更高的精度和更低的計算成本進行擴展，“影響可能是巨大的。”

更重要的是，DeepMind團隊已經(jīng)與伯克利國家實驗室展開合作，并創(chuàng)建了一個能夠自主合成這些新晶體的機器人實驗室，名為A-Lab。新材料被發(fā)現(xiàn)后，將這些材料合成并驗證它們的用途也同樣重要。A-Lab也一直在將GNoME的一些發(fā)現(xiàn)與其“材料項目”成果結合，即將機器人技術與機器學習相結合，以優(yōu)化這些材料的后續(xù)開發(fā)。

DeepMind和伯克利實驗室的研究人員表示，這些新人工智能工具可以幫助加速能源、計算機和許多其他領域的硬件創(chuàng)新。例如，鋰離子電池導體就是GNoME人工智能模型發(fā)現(xiàn)的新材料中最有應用前景的案例之一。DeepMind稱，GNoME已發(fā)現(xiàn)了528 種有應用前景的鋰離子導體，其中一些可能有助于提高電動車電池的效率。

然而，即使在新材料被發(fā)現(xiàn)之后，通常也需要幾十年的時間才能將其推向商業(yè)應用階段。Dogus Cubuk在新聞發(fā)布會上稱，“如果我們能把這個從發(fā)現(xiàn)到應用的過程縮短到5年，那將是一個很大的進步。”

封面圖片來源：視覺中國-VCG111391730464