Nature 速递：AI 方法用于材料发现与自动合成

从清洁能源到信息处理，新型功能材料正在为一系列技术应用带来根本性突破。然而，从微芯片到电池和光伏设备，发现无机晶体的过程一直受到昂贵的试错方法的限制。许多项目试图通过计算模拟新的无机材料，并计算其原子在晶体中如何排列等性质，试图减少对各种材料进行试验的时间，包括位于美国加州劳伦斯·伯克利国家实验室（LBNL）的 Materials Project 等，这些项目共同提出了大约48,000种预计稳定的材料。与此同时，用于语言、视觉和生物学的深度学习模型表明，随着数据和计算能力的增加，模型正涌现出预测能力。

基于这些进展，最近Google DeepMind 提出一种AI系统，将图网络方法用于材料发现（graph networks for materials exploration, GNoME）。

图1. GNoME 将图网络方法用于材料发现，发现了220万种潜在化合物。

在从 Materials Project 和类似数据库中获取的数据上进行训练后，GNoME调整了已知材料的组成，得到220万种潜在化合物，其中许多超出了先前人类的化学直觉。在计算这些材料是否稳定并预测其晶体结构后，该系统最终共计发现了381000种新的无机化合物，将其添加到 Materials Project 数据库中。

这项研究展示了经过大规模训练的图网络可以达到前所未有的泛化水平，将材料发现的效率提高一个数量级，对人类已知的稳定材料数量做出了数量级扩展。关键在于，GNoME使用了多种策略使得预测的材料比以前的AI系统更多。例如不是将材料中的所有钙离子更改为镁，而是只替换其中一半，或尝试更广泛范围的不寻常的原子交换。如果调整不奏效，系统则会淘汰不稳定的部分，并从中吸取教训。这就像是“用于材料发现的ChatGPT”。

图2. 由GNoME预测的一种材料Ba6Nb7O21的晶体结构。钡为蓝色，铌为灰色，氧为绿色。｜来源：Materials Project/Berkeley Lab

预测材料结构是一回事，在实验室中合成则是另一回事，LBNL实验室A-Lab团队的目标正是缩小计算筛选和实验实现新型材料之间的差距。A-Lab是进行无机粉末固态合成的自动化实验室，该平台利用计算、文献中的历史数据、机器学习和主动学习，来规划和解释使用机器人执行的实验结果。在连续运行17天后，A-Lab 从58个目标物中合成了41种新化合物，这些目标物包括各种氧化物和磷酸盐，是通过从 Materials Project 和 Google DeepMind 获取的大规模从头计算的相稳定性数据进行识别的。

合成配方由在文献上接受训练的自然语言模型提出，并使用基于热力学的主动学习方法进行优化。对失败合成进行分析，可以提出直接可行的建议以改进当前的材料筛选和合成设计技术。高成功率表明人工智能驱动的平台在自主材料发现方面非常有效，有望促进进一步整合计算、历史知识和机器人技术。

图. A-Lab 进行自动化材料发现的流程

相关研究发布后，伦敦大学学院无机和材料化学教授 Robert Palgrave 对 A-Lab 结果的可靠性提出质疑，认为在材料表征方面存在严重问题，而加州大学伯克利分校和LBNL的新型材料计算与实验设计研究组（CEDER Group）也做了回应。

（详情可参看

https://twitter.com/Robert_Palgrave/status/1730358675523424344；CEDER 

Group的回应：

https://twitter.com/cedergroup/status/1730780112826855906）