只用了 17 天，人工智能（AI）便独自创造了 41 种新材料，每天超过两种。

相比之下，人类科学家可能需要几个月的尝试和实验，才能创造出一种新材料。

今天，这个名为 A-Lab 的 AI 实验室，登上了权威科学期刊 Nature。

据介绍，A-Lab 是一个由 AI 指导机器人制造新材料的实验室，能够在最少的人为干预下迅速发现新材料，其可以帮助确定和快速跟踪多个研究领域的材料，包括电池、储能、太阳能电池、燃料电池等。

值得一提的是，在一次测试任务中，A-Lab 成功合成了 58 种预测材料中的 41 种，成功率达到了 71%。

这些测试数据来自伯克利实验室开放获取数据库 Materials Project 和由 Google DeepMind 开发的 Graph Networks for Materials Exploration（GNoME）深度学习工具。

同样在今天，Google DeepMind 的 GNoME 也登上了 Nature，其为 Materials Project 贡献了近 40 万种新化合物，是自该项目成立以来，由一个团队添加的最大一次新增结构稳定性数据，大大增加了科学家用于为未来技术发明新材料的开放存取资源。

伯克利实验室 Materials Project 创始人兼主任、加州大学伯克利分校教授 Kristin Persson 表示，“要解决全球环境和气候挑战，我们必须创造新材料。借助材料创新，我们可以开发可回收塑料、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。”

有了AI，制造、测试新材料更快了

新技术的发展往往需要新材料。然而，制造一个材料并非易事。

科学家们已经通过计算预测了数十万种新型材料，但测试这些材料是否能在现实中制造出来是一个缓慢的过程。一个材料从计算到商业化需要很长时间。它必须具有合适的属性，能够在设备中工作，能够扩展，且具有合适的成本效率和性能。

如今，借助超级计算机和模拟技术，研究人员不再需要靠盲目的尝试从零开始创造材料。

在此次工作中，Google DeepMind 团队使用 Materials Project 十多年来开发的工作流程和数据对 GNoME 进行了训练，并通过主动学习改进了 GNoME 算法。

最终，GNoME 产生了 220 万种晶体结构，其中有 38 万种被纳入 Materials Project 中，且被预测为是稳定的。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）。

图｜化合物 Ba₆Nb₇O₂₁ 是 GNoME 计算出的新材料之一，包含钡（蓝色）、铌（白色）和氧（绿色）。

据论文描述，GNoME 已将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%（相比之下，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。外部研究人员已经通过独立的物理实验验证了 GNoME 发现的 736 多种新材料，证明了我们模型的发现可以在实验室中实现。”

然而，研究团队在论文中也指出，在实际应用中，GNoME 仍存在一些开放性问题，其中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。

为了制造 Materials Project 预测的新化合物，A-Lab 的 AI 通过研究科学论文并使用主动学习进行调整，创造出了新的配方。

伯克利实验室和加州大学伯克利分校科学家、A-Lab 首席研究员 Gerd Ceder 说：“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。我们可以比以往任何时候都更快地制造和测试材料。”

据介绍，对决策算法做一些小改动，这一成功率还可提高到 74%，如果计算技术得到改进，还能将成功率进一步提高到 78%。

Persson 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。”

有了 A-Lab 和 GNoME 等的帮助，科学家可以专注于未来技术中有前景的材料，比如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，或者是下一代计算机中更快的晶体管。

已显示出应用潜力

目前，Materials Project 正在处理更多 Google DeepMind 的化合物，并将其添加到在线数据库中。这些新数据将免费提供给研究人员，且也会输入到诸如 A-Lab 这样与 Materials Project 合作的项目中。

图｜Materials Project 数据库中 12 种化合物的结构。

过去十年中，研究人员根据 Materials Project 数据中的线索，在多个领域通过实验证实了新材料的有用性。其中一些已显示出应用潜力，例如：

当然，找到这些潜在材料只是解决人类面临的一些重大技术挑战的众多步骤之一。

除了以上两项研究，近年来，AI 在新材料发现、合成方面，取得了诸多突破。

2020 年，一个包括美国国家标准与技术研究所（NIST）在内的多机构研究团队开发出了一种名为 CAMEO 的 AI 算法，该算法在不需要科学家额外训练的情况下，自主发现了一种潜在的实用新材料。

图 | CAMEO 在一个闭环操作中寻找新材料的过程（来源：NIST）

同年，来自北卡罗莱纳州立大学和布法罗大学的研究人员开发了一项名为“人工化学家”的技术，该技术结合了 AI 和执行化学反应的自动化系统，以加速研发和生产商业所需的新化学材料。

2022 年，美国加州大学圣地亚哥分校工程学院的纳米工程师开发了一种 AI 算法——M3GNet，该算法几乎可以即时地预测任何材料（无论是现有材料还是新材料）的结构和动态特性。研究人员可使用其来寻找更安全、能量密度更高的可充电锂离子电池电极和电解质。

图 | 多体图势能及主要计算模块的示意图（来源：加州大学圣地亚哥分校）

今年 3 月，发表在 Nature Synthesis 上的一项研究设想了一种由组合合成和 AI 技术共同发展推动的加速材料科学的未来。为了评估合成技术对特定实验工作流的适用性，研究人员建立了一套涵盖合成速度、可扩展性、范围和合成质量的十项度量标准，并在这些度量标准的背景下总结了一些选择性的组合合成技术。

作为高新技术的基础和先导，新材料应用范围极其广泛，它同信息技术、生物技术一起成为 21 世纪最重要和最具发展潜力的领域。

未来，随着 AI 等技术的突破性发展，科学家将有望聚焦在未来技术中更具前景的材料上，如提高汽车燃油经济性的更轻的合金、促进可再生能源发展的更高效的太阳能电池，以及在下一代计算机中发挥作用的更快的晶体管等。