DeepMind：通过深度学习发现了数百万种新材料

AI 工具 GNoME 发现了 220 万种新晶体，其中包括 38 万种可以为未来技术提供动力的稳定材料。

今天，在《自然》杂志上发表的一篇论文中，我们分享了 220 万颗新晶体的发现，相当于近 800 年的知识。我们推出了用于材​​料探索的图网络 (GNoME)，这是我们新的深度学习工具，可通过预测新材料的稳定性来显着提高发现的速度和效率。

劳伦斯伯克利国家实验室的研究团队与 Google DeepMind 合作，还在《自然》杂志上发表了第二篇[url=https://www.nature.com/articles/s41586-023-06734-w]论文[/url]，展示了如何利用我们的人工智能预测进行自主材料合成。

借助 GNoME，我们使人类已知的技术上可行的材料数量成倍增加。在其 220 万个预测中，有 38 万个是最稳定的，这使得它们成为实验合成的有希望的候选者。这些候选材料中有可能开发未来变革性技术，包括超导体、超级计算机供电和下一代电池，以提高电动汽车的效率。

GNoME：利用图网络进行材料探索
GNoME 使用两条管道来发现低能量（稳定）材料。结构管道创建结构与已知晶体相似的候选物，而成分管道则遵循基于化学式的更加随机的方法。使用已建立的密度泛函理论计算来评估两个管道的输出，并将这些结果添加到 GNoME 数据库中，为下一轮主动学习提供信息。

GNoME 将为新型稳定晶体的结构生成预测，然后使用 DFT 进行测试。然后将所得的高质量训练数据反馈到我们的模型训练中。

将材料稳定性预测的发现率从 50% 左右提高到 80%。我们还通过将发现率从 10% 以下提高到 80% 以上，成功地提高了模型的效率 - 这种效率的提高可能会对每次发现所需的计算量产生重大影响。

例如，52,000 种类似于石墨烯的新型层状化合物有可能随着超导体的发展而彻底改变电子学。

过去十年人类发现的新材料数量为28000种，而使用GNoME发现的材料数量为220万种。Alphafold 彻底改变了蛋白质，而 GNoME 似乎彻底改变了无机材料。

总结
正如本文所述，深度学习，特别是图神经网络（GNN）在材料发现中的集成，开辟了一个令人兴奋的可能性领域。通过加速新材料的发现，这项技术可以在各个领域带来突破性的进步。让我们深入研究这一突破可能带来的一些推测性但合理的技术创新：

1. 下一代电子产品：具有优异电子特性的材料的发现可能会导致超快速、节能和小型电子设备的开发。想象一下电池寿命显着延长的智能手机，或者处理能力远远超出当前标准的计算机。这也可能导致超越硅的新型半导体材料的开发，从而带来更快、更高效的微处理器。
2. 革命性的储能：新材料可以创造出具有更高能量密度和更快充电能力的电池。这不仅会彻底改变消费电子产品，而且会改变电动汽车的游戏规则，显着增加其行驶里程并减少充电时间，从而使它们更加实用，更适合广泛使用。
3. 先进光伏电池：新材料的发现可能会带来更高效的太阳能电池，有可能超越当前硅基电池的局限性。这可能包括能够更有效地捕获更广泛的太阳光谱的材料，从而使太阳能电池板的能量转换效率显着提高。
4. 量子计算材料：可以加快寻找具有特定量子特性的材料，这可能会导致量子计算的重大进步。其中包括能够在较高温度下可靠地保持量子相干性的材料，从而解决实用量子计算机开发中的最大挑战之一。
5. 高温超导体：材料科学的圣杯一直是高温超导体的发现。这项技术可能会导致发现在室温或接近室温下表现出超导性的材料，这将彻底改变从电力传输到磁悬浮系统的许多领域。
6. 医疗应用材料：可开发新型生物材料用于医疗植入物、药物输送系统和组织工程。这些材料将具有生物相容性、更耐用，并且可能具有自愈特性，从而大大增强医疗和植入的效果。
7. 环境和可持续发展进步：新材料可以带来更有效的碳捕获、水净化和废物管理方法。例如，能够选择性且有效地吸收污染物或将废物转化为有用副产品的材料可能会对环境的可持续性产生重大影响。
8. 航空航天和国防创新：轻质但极其坚固的材料的发现可能会导致新的航空航天结构的开发，显着减轻飞机和航天器的重量并提高强度和耐用性。这不仅可以提高燃油效率，还可以实现航空航天工程的新设计和新功能。
9. 智能材料和纳米技术：开发能够响应外部刺激（如温度、压力或电场）而改变其特性的智能材料，可能会带来从自适应服装到动态建筑材料等各种应用的创新。
10. 先进光学材料：发现具有独特光学特性的材料可能会带来光子学的突破，包括高效发光二极管（LED）、激光器，甚至隐形斗篷或其他先进光学设备的材料。