从新能源汽车电池到太阳能电池，再到计算机芯片等诸多领域，一旦有新材料发现，无疑可加速技术层面的突破。不过，新材料的研发通常需要科学家们花费数月甚至数年的时间进行反复试验和验证。然而，谷歌旗下DeepMind近日公布的一项研究或将极大加快新材料在众多科技领域的应用速度。
　　谷歌DeepMind的研究团队通过人工智能工具“材料探索图形网络（以下简称GNoME）”发现了多达220万种理论上稳定，但绝大部分在实验上尚未实现的晶体结构，这一成果于11月29日在顶刊《自然（Nature）》杂志上发表。
　　GNoME发现的晶体结构数量是科学史上发现的此类物质数量的45倍以上，业内认为，这项技术为可再生能源和先进计算芯片等领域的发展提供新路径。
　　GNoME稳定性预测精度在迭代学习中迅速提高
　　据悉，这项被称为GNoME的人工智能模型旨在预测无机晶体结构，即原子的重复排列，使某种材料具有特殊的性质。迄今为止，人类已知的大约只有48000种无机晶体。
　　此次GNoME模型将这个数字扩展到多达220万种。Deepmind称，在这220万种新晶体结构中，其中有38万个稳定的晶体结构有望通过实验合成，有实际的应用前景，可能发展出“未来的变革性技术”，例如超导材料和下一代电池材料等。GNoME“在人类已知的稳定材料中实现了数量级的扩展，发现了大约800年来具有革命性潜力的新材料。”
　　为了发现更多新材料，DeepMind团队结合了两种不同的深度学习模型。第一种是通过对现有材料中的元素进行修改，产生了超过10亿个结构。第二种方法则抛开现有的材料结构，完全根据化学式来预测新材料的稳定性。这两种深度学习模型的结合，为新材料的发现提供了更广泛的可能性。
　　候选的新材料结构生成后，研究人员通过GNoME模型进行筛选。该模型可以预测特定结构的分解能量（decomposition energy），这是衡量材料稳定程度的重要指标。只有“稳定”、不易分解的材料，才能对工业用途产生重要意义。因此，GNoME会预测并选择最具有应用前景的材料，并根据已知的理论框架对其进行进一步评估。
　　据悉，上述过程会被DeepMind团队重复多次，且每一次的发现都会被纳入下一次的训练中。虽然第一轮的测试中，GNoME预测不同材料稳定性的精度仅为5%左右，但在整个迭代学习的过程中，GNoME的预测精度迅速提高。最终的结果表明，GNoME在第一个模型中预测结构稳定性的精度已经超过80%，在第二个模型中精度则提高到了33%。
　　虽然新结构中的一些可能会衰变为更稳定的形式，或者不可能完全创建，但DeepMind团队已经在实验室中成功创造出了736种GNoME所发现的新材料，包括碱土金刚石样光学材料（Li4MgGe2S7）和潜在的超导体（Mo5GeB2），目前正在进行测试。
　　DeepMind的上述论文共同作者之一、材料研发主管Dogus Cubuk称，“对我来说，材料科学基本上是抽象思维与物理宇宙的交汇点，很难想象有哪项技术不会因更好的材料而得到改进。”
　　麻省理工学院材料科学与工程教授Ju Li认为，GNoME可以被视为材料发现领域的“阿尔法Fold”。“阿尔法Fold”是DeepMind于2020年推出的人工智能系统，能够高精度地预测蛋白质结构，并在生物研究和药物发现方面取得了重大进展。Ju Li称，得益于GNoME的强大能力，人类已知稳定材料的数量增长了近10倍，达到42.1万种。
　　GNoME已发现500多种有应用前景的锂离子导体
　　《每日经济新闻》记者注意到，其实利用人工智能模型制造新材料并非DeepMind首创——由美国劳伦斯伯克利国家实验室Kristin Persson领导的“材料项目（Materials Project）”已经使用类似的技术发现并提高了48000种材料的稳定性。该实验从材料数据库中获取数据，其中包括了GNoME的一些发现，并使用机器学习和机械臂，在没有人类干预的情况下设计新材料。
　　然而，GNoME发现的新材料在规模和精度上都使其有别于劳伦斯伯克利国家实验室的工作。
　　明尼苏达大学化学工程与材料科学助理教授Chris Bartel认为，与之前的任何模型相比，GNoME的训练数据至少多了一个数量级。马里兰大学材料科学与工程系副教授Yifei Mo也指出，以前进行类似的研究不仅成本高昂，而且规模有限，GNoME可以让这些新材料的发现以更高的精度和更低的计算成本进行扩展，“影响可能是巨大的。”
　　更重要的是，DeepMind团队已经与伯克利国家实验室展开合作，并创建了一个能够自主合成这些新晶体的机器人实验室，名为A-Lab。新材料被发现后，将这些材料合成并验证它们的用途也同样重要。A-Lab也一直在将GNoME的一些发现与其“材料项目”成果结合，即将机器人技术与机器学习相结合，以优化这些材料的后续开发。
　　DeepMind和伯克利实验室的研究人员表示，这些新人工智能工具可以帮助加速能源、计算机和许多其他领域的硬件创新。例如，锂离子电池导体就是GNoME人工智能模型发现的新材料中最有应用前景的案例之一。DeepMind称，GNoME已发现了528 种有应用前景的锂离子导体，其中一些可能有助于提高电动车电池的效率。
　　然而，即使在新材料被发现之后，通常也需要几十年的时间才能将其推向商业应用阶段。Dogus Cubuk在新闻发布会上称，“如果我们能把这个从发现到应用的过程缩短到5年，那将是一个很大的进步。”