無機晶體對許多當(dāng)代技術(shù)至關(guān)重要，包括計算機芯片、電池和太陽能電池板。每個新的、穩(wěn)定的晶體都是通過數(shù)月的細(xì)致實驗得出的，而穩(wěn)定的晶體對于啟用新技術(shù)至關(guān)重要，因為它們不會溶解。

研究人員進行了昂貴的反復(fù)試驗，但結(jié)果有限。他們通過修改現(xiàn)有晶體或嘗試其他元素組合來尋找新的晶體結(jié)構(gòu)。在過去的十年里，由Materials Project等主導(dǎo)的計算方法發(fā)現(xiàn)了28,000種新材料。直到現(xiàn)在，新興的人工智能引導(dǎo)技術(shù)可靠地預(yù)測實驗可行的材料的能力一直是一個主要限制。

來自勞倫斯伯克利國家實驗室和Google DeepMind的研究人員在《自然》雜志上發(fā)表了兩篇論文，展示了我們的人工智能預(yù)測在自主材料合成方面的潛力。該研究顯示找到了220萬個新晶體，相當(dāng)于約800年的信息量。他們的新深度學(xué)習(xí)工具，材料探索圖網(wǎng)絡(luò)（GNoME），預(yù)測了新材料的穩(wěn)定性，極大地提高了發(fā)現(xiàn)的速度和效率。GNoME展示了人工智能在大規(guī)模發(fā)現(xiàn)和開發(fā)新材料方面的潛力。全球不同實驗室的科學(xué)家同時進行的努力產(chǎn)生了736種這樣的新結(jié)構(gòu)。

GNoME使技術(shù)上可行的材料數(shù)量增加了兩倍。在其220萬個預(yù)測中，有38萬個由于其穩(wěn)定性而被認(rèn)為在實驗合成中具有最大潛力。其中包括具有提高電動汽車效率的下一代電池和為超級計算機提供動力的超導(dǎo)體等材料。

GNoME是一種先進的圖神經(jīng)網(wǎng)絡(luò)（GNN）模型。由于GNN輸入數(shù)據(jù)由類似于原子連接的圖表示，GNN非常適合尋找新的結(jié)晶材料。

最初用于訓(xùn)練GNoME的晶體結(jié)構(gòu)及其穩(wěn)定性的數(shù)據(jù)是通過Materials Project公開提供的。采用“主動學(xué)習(xí)”作為訓(xùn)練方法顯著提高了GNoME的效率。研究人員生成了新的晶體候選，并使用GNoME預(yù)測了它們的穩(wěn)定性。他們使用密度泛函理論（DFT），這是物理學(xué)、化學(xué)和材料科學(xué)中一種被廣泛采用的計算方法，用于理解原子結(jié)構(gòu)——這對于評估晶體穩(wěn)定性至關(guān)重要——在漸進的訓(xùn)練周期中反復(fù)檢查模型的性能以評估其預(yù)測能力。高質(zhì)量的訓(xùn)練數(shù)據(jù)再次進入該過程。

研究結(jié)果表明，該研究將材料穩(wěn)定性預(yù)測的發(fā)現(xiàn)率從約50%提高到80%，使用早期最先進模型作為指南的外部基準(zhǔn)集。對該模型效率的改進使發(fā)現(xiàn)率從不到10%提高到80%以上；這些效率的提高可能對每一次發(fā)現(xiàn)所需的計算能力產(chǎn)生重大影響。

自主實驗室利用來自Materials Project的成分和GNoME的穩(wěn)定性信息生產(chǎn)了超過41種新材料，為AI驅(qū)動的材料合成的進一步發(fā)展鋪平了道路。

GNoME的預(yù)測已經(jīng)向科學(xué)界發(fā)布。研究人員將提供這些預(yù)測給Materials Project，該項目將分析這些化合物并將它們添加到其在線數(shù)據(jù)庫中，其中包含38萬種材料。通過這些資源的幫助，他們希望社區(qū)將進一步研究無機晶體，并認(rèn)識到機器學(xué)習(xí)技術(shù)作為實驗指南的潛力。