Google DeepMind推出GNoME：一種新的深度學(xué)習工具，通過(guò)預測新材料的穩定性，顯著(zhù)提高了發(fā)現速度和效率

無(wú)機晶體對許多當代技術(shù)至關(guān)重要，包括計算機芯片、電池和太陽(yáng)能電池板。每個(gè)新的、穩定的晶體都是通過(guò)數月的細致實(shí)驗得出的，而穩定的晶體對于啟用新技術(shù)至關(guān)重要，因為它們不會(huì )溶解。

研究人員進(jìn)行了昂貴的反復試驗，但結果有限。他們通過(guò)修改現有晶體或嘗試其他元素組合來(lái)尋找新的晶體結構。在過(guò)去的十年里，由Materials Project等主導的計算方法發(fā)現了28,000種新材料。直到現在，新興的人工智能引導技術(shù)可靠地預測實(shí)驗可行的材料的能力一直是一個(gè)主要限制。

來(lái)自勞倫斯伯克利國家實(shí)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測在自主材料合成方面的潛力。該研究顯示找到了220萬(wàn)個(gè)新晶體，相當于約800年的信息量。他們的新深度學(xué)習工具，材料探索圖網(wǎng)絡(luò )（GNoME），預測了新材料的穩定性，極大地提高了發(fā)現的速度和效率。GNoME展示了人工智能在大規模發(fā)現和開(kāi)發(fā)新材料方面的潛力。全球不同實(shí)驗室的科學(xué)家同時(shí)進(jìn)行的努力產(chǎn)生了736種這樣的新結構。

GNoME使技術(shù)上可行的材料數量增加了兩倍。在其220萬(wàn)個(gè)預測中，有38萬(wàn)個(gè)由于其穩定性而被認為在實(shí)驗合成中具有最大潛力。其中包括具有提高電動(dòng)汽車(chē)效率的下一代電池和為超級計算機提供動(dòng)力的超導體等材料。

GNoME是一種先進(jìn)的圖神經(jīng)網(wǎng)絡(luò )（GNN）模型。由于GNN輸入數據由類(lèi)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(guò)Materials Project公開(kāi)提供的。采用“主動(dòng)學(xué)習”作為訓練方法顯著(zhù)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(xué)、化學(xué)和材料科學(xué)中一種被廣泛采用的計算方法，用于理解原子結構——這對于評估晶體穩定性至關(guān)重要——在漸進(jìn)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(zhì)量的訓練數據再次進(jìn)入該過(guò)程。

研究結果表明，該研究將材料穩定性預測的發(fā)現率從約50%提高到80%，使用早期最先進(jìn)模型作為指南的外部基準集。對該模型效率的改進(jìn)使發(fā)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(fā)現所需的計算能力產(chǎn)生重大影響。

自主實(shí)驗室利用來(lái)自Materials Project的成分和GNoME的穩定性信息生產(chǎn)了超過(guò)41種新材料，為AI驅動(dòng)的材料合成的進(jìn)一步發(fā)展鋪平了道路。

GNoME的預測已經(jīng)向科學(xué)界發(fā)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(xiàn)數據庫中，其中包含38萬(wàn)種材料。通過(guò)這些資源的幫助，他們希望社區將進(jìn)一步研究無(wú)機晶體，并認識到機器學(xué)習技術(shù)作為實(shí)驗指南的潛力。