AI自主创造新材料：A-Lab和GNoME的突破性进展
AI自主创造新材料：A-Lab和GNoME的突破性进展
近日，权威科学期刊Nature报道了两项突破性研究，展示了人工智能（AI）在新材料发现领域的巨大潜力。其中，A-Lab和GNoME这两个AI系统的表现尤为引人注目。
A-Lab：17天创造41种新材料
A-Lab是一个由AI指导的机器人实验室，其最大的特点是能够在最少的人为干预下快速发现新材料。在一次测试任务中，A-Lab仅用17天时间就成功合成了41种新材料，平均每天超过两种。相比之下，人类科学家可能需要几个月的时间才能创造出一种新材料。
A-Lab的成功率也令人印象深刻。在测试的58种预测材料中，它成功合成了41种，成功率高达71%。通过优化决策算法，这一成功率还可提高到74%，如果计算技术得到改进，甚至能进一步提升至78%。
A-Lab的核心优势在于其能够通过研究科学论文并使用主动学习进行调整，创造出新的配方。其首席研究员Gerd Ceder表示：“我们的成功率达到了惊人的71%，而且我们已经找到了一些改进方法。我们已经证明，将理论和数据与自动化相结合，会产生令人难以置信的结果。”
GNoME：预测38万种新材料
GNoME（Graph Networks for Materials Exploration）是Google DeepMind开发的深度学习工具，专门用于预测新材料的稳定性。该模型通过大规模训练图神经网络，实现了对材料科学中无机晶体稳定性的高效预测。
在最新研究中，GNoME产生了220万种晶体结构，其中有38万种被预测为稳定，并已纳入Materials Project数据库。这些数据包括材料原子的排列方式（晶体结构）和稳定性（形成能）。
GNoME的预测精度达到了前所未有的水平。其结构稳定预测的精确性提高到80%以上，在预测成分时每100次试验的精确度提高到33%，而此前工作中该数字仅为1%。Google DeepMind材料发现团队负责人Ekin Dogus Cubuk表示：“我们希望GNoME项目能够推动无机晶体研究的发展。”
应用前景与挑战
这些技术在多个领域展现出巨大的应用潜力。例如，在能源领域，新材料可以用于提高汽车燃油经济性的更轻合金、提高可再生能源效率的更高效太阳能电池，以及下一代计算机中更快的晶体管。
然而，研究团队也指出了一些开放性问题，包括由竞争多形体引发的相变、振动轮廓和构型熵引起的动态稳定性，以及对最终合成能力的更深入理解。尽管如此，这些技术的成功应用不仅标志着深度学习在材料科学中的重大进展，也为未来在其他科学领域中应用类似的方法提供了借鉴。
未来展望
随着AI技术的不断发展，我们有理由相信，新材料的发现将变得更加高效和系统化。这将为解决全球环境和气候挑战提供新的可能性，帮助我们开发可回收塑料、利用废弃能源、制造更好的电池，并构建更便宜、寿命更长的太阳能电池板等。
正如伯克利实验室Materials Project创始人Kristin Persson所说：“我们不仅要让我们产生的数据免费并可用于加速全球的材料设计，而且还要向世界传授计算机可以为人们做些什么。它们可以比单独的实验更高效、更快地扫描大范围的新化合物和属性。”