只用了 17 天，人工智能（AI）便獨自創造了 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。
據介紹，A-Lab 是一個由 AI 指導機械人製造新材料的實驗室，能夠在最少的人為干預下迅速發現新材料，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%。
這些測試數據來自伯克利實驗室開放獲取數據庫 Materials Project 和由 Google DeepMind 開發的 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定性數據，大大增加了科學家用於為未來技術發明新材料的開放存取資源。
伯克利實驗室 Materials Project 創始人兼主任、加州大學伯克利分校教授 Kristin Persson 表示，「要解決全球環境和氣候挑戰，我們必須創造新材料。藉助材料創新，我們可以開發可回收塑料、利用廢棄能源、製造更好的電池，並構建更便宜、壽命更長的太陽能電池板等。」
有了 AI，製造、測試新材料更快了
新技術的發展往往需要新材料。然而，製造一個材料並非易事。
科學家們已經通過計算預測了數十萬種新型材料，但測試這些材料是否能在現實中製造出來是一個緩慢的過程。一個材料從計算到商業化需要很長時間。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，藉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造材料。
在此次工作中，Google DeepMind 團隊使用 Materials Project 十多年來開發的工作流程和數據對 GNoME 進行了訓練，並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，且被預測為是穩定的。這些數據包括材料原子的排列方式（晶體結構）和穩定性（形成能）。
圖｜化合物 BaNbO 是 GNoME 計算出的新材料之一，包含鋇（藍色）、鈮（白色）和氧（綠色）。
據論文描述，GNoME 已將結構穩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，此前工作中該數字僅為 1%）。
Google DeepMind 材料發現團隊負責人 Ekin Dogus Cubuk 表示：「我們希望 GNoME 項目能夠推動無機晶體研究的發展。外部研究人員已經通過獨立的物理實驗驗證了 GNoME 發現的 736 多種新材料，證明了我們模型的發現可以在實驗室中實現。」
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的相變、振動輪廓和構型熵引起的動態穩定性，以及對最終合成能力的更深入理解。
為了製造 Materials Project 預測的新化合物，A-Lab 的 AI 通過研究科學論文並使用主動學習進行調整，創造出了新的配方。
伯克利實驗室和加州大學伯克利分校科學家、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，將理論和數據與自動化相結合，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製造和測試材料。」
據介紹，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據免費並可用於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麼。它們可以比單獨的實驗更高效、更快地掃描大範圍的新化合物和屬性。」
有了 A-Lab 和 GNoME 等的幫助，科學家可以專註於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，並將其添加到在線數據庫中。這些新數據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 數據庫中 12 種化合物的結構。
過去十年中，研究人員根據 Materials Project 數據中的線索，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，可用於分解污染物或產生氫氣）
作為熱電材料（有助於利用廢熱並將其轉化為電能的材料）
作為透明導體（可用於太陽能電池、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的眾多步驟之一。
除了以上兩項研究，近年來，AI 在新材料發現、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，自主發現了一種潛在的實用新材料。
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了一項名為「人工化學家」的技術，該技術結合了 AI 和執行化學反應的自動化系統，以加速研發和生產商業所需的新化學材料。
2022 年，美國加州大學聖地亞哥分校工程學院的納米工程師開發了一種 AI 算法—— M3GNet，該算法幾乎可以即時地預測任何材料（無論是現有材料還是新材料）的結構和動態特性。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。
今年 3 月，發表在 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、範圍和合成質量的十項度量標準，並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，新材料應用範圍極其廣泛，它同信息技術、生物技術一起成為 21 世紀最重要和最具發展潛力的領域。
未來，隨着 AI 等技術的突破性發展，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、促進可再生能源發展的更高效的太陽能電池，以及在下一代計算機中發揮作用的更快的晶體管等。
參考鏈接：
｜點擊關注我 記得標星｜
-
-
-
-
-
-
-
-
-
-