Google DeepMind推出GNoME：一種新的深度學習工具，通過預測新材料的穩定性，顯著提高了發現速度和效率

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

研究人員進行了昂貴的反復試驗，但結果有限。他們通過修改現有晶體或嘗試其他元素組合來尋找新的晶體結構。在過去的十年里，由Materials Project等主導的計算方法發現了28,000種新材料。直到現在，新興的人工智能引導技術可靠地預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》雜志上發表了兩篇論文，展示了我們的人工智能預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，相當于約800年的信息量。他們的新深度學習工具，材料探索圖網絡（GNoME），預測了新材料的穩定性，極大地提高了發現的速度和效率。GNoME展示了人工智能在大規模發現和開發新材料方面的潛力。全球不同實驗室的科學家同時進行的努力產生了736種這樣的新結構。

GNoME使技術上可行的材料數量增加了兩倍。在其220萬個預測中，有38萬個由于其穩定性而被認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體等材料。

GNoME是一種先進的圖神經網絡（GNN）模型。由于GNN輸入數據由類似于原子連接的圖表示，GNN非常適合尋找新的結晶材料。

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

研究結果表明，該研究將材料穩定性預測的發現率從約50%提高到80%，使用早期最先進模型作為指南的外部基準集。對該模型效率的改進使發現率從不到10%提高到80%以上；這些效率的提高可能對每一次發現所需的計算能力產生重大影響。

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

GNoME的預測已經向科學界發布。研究人員將提供這些預測給Materials Project，該項目將分析這些化合物并將它們添加到其在線數據庫中，其中包含38萬種材料。通過這些資源的幫助，他們希望社區將進一步研究無機晶體，并認識到機器學習技術作為實驗指南的潛力。