生成式人工智能（GenAI/AIGC）使软件能够创造新的代码、诗歌、交响乐并普遍翻译语言。对于比特世界来说，这一切都很棒。
原子世界又如何呢？
我们展示了我们的人工智能从头开始设计锂离子电池阴极。
在20世纪30年代初，当量子力学作为一幅拼图终于凑一起时（海森堡的不确定性原理，纠缠，叠加和自旋都被发现），很明显，原子的行为是由一套不同的几乎陌生的规则决定的。
最引人注目的发现之一来自保罗·狄拉克，他预言了反物质的存在。他清楚地认识到：
- 所有的材料或化合物，无论是代表Advil的一团原子，还是下一代太阳能电池或电池，都有一个与之相关的多体薛定谔方程（many body Schrödinger equations）。
- 如果我们能计算出这些方程的解，就能预测出许多相关的性质。
然而，事实证明，即使在今天，尽管我们的超级计算机功能强大，但对于数十个原子或更多的相关系统大小，以精确形式找到多体薛定谔方程的解仍然是一个计算上难以解决的问题。
他们根本无法解出这些方程。为了解决这个问题，Kohn Sham和一些同事发现了一种方法，通过引入一些聪明的“技巧”来解决这个问题，可以近似解决我们关心的材料的许多体薛定谔方程。
第一个主要技巧是引入玻恩-奥本海默近似。
- 薛定谔方程只是原子世界的 F=MA 等价物。
- 给定一组初始条件和边界条件，并利用能量和动量守恒定律，我们就能预测原子系统的演化过程，以及在一定时间后它们应该在哪里 "定居"。
这一点非常重要，因为它将告诉我们一些直接影响日常生活中材料行为的特性。 在制造材料和化合物之前，我们就可以预测它们的导电性、耐热性、机械强度和光学性能，而且准确度相当高，适用于越来越多的工业应用。
回到玻恩-奥本海默近似......薛定谔方程包含两个重要概念：波函数和哈密顿。
- 波函数表示原子/电子和亚原子粒子的位置和动量。
- 哈密顿方程编码系统中的势能和动能。
为了简化这些方程，玻恩和奥本海默意识到，他们可以忽略原子核的动能贡献，因为原子核与电子的相对速度实际上为零，而电子正在飞速旋转。
这就大大简化了问题！ 我们只需单独担心电子哈密顿。
Kohn Sham 等人的下一个主要技巧是使用密度函数：
他们意识到：
- 我们可以通过引入代表给定哈密顿的基态或解的函数（函数）来逼近薛定谔方程的解。
- 因此，密度函数论（DFT）应运而生。
密度泛函理论是一种近似方法，因此在某种程度上总会出错。不过，它能让我们在一定程度上预测先进材料的行为，这已经足够频繁，以至于它成为材料科学家在查阅文献和初步实验测试之后首先要做的事情之一。
你想知道：你将花费数百万美元、数月或数年时间研究的材料是否会按照你预期的方式运行。
- 也许你想到的是一种能颠覆汽车行业的新型合金，
- 或者是一种具有特定结构-活性特性的新型药物，从而能够治愈神经退行性疾病。
我们在大型 DFT 数据集、分子动力学（原子及其电子的运动和相互作用）以及物理现实世界数据上训练我们的人工智能，以便对新材料做出有用的预测。
在这种情况下，我们想做一个简单的测试，看看能否预测出与锂离子镍锰钴（NMC）正极家族相关的二锂化结构。
- 按照传统方法，您需要从一些已知的结构入手，并在此基础上进行迭代，这将花费成千上万倍的时间（以及更高的成本）来预测。
- 而我们从任意的原子组合开始，在几秒钟内就能预测出稳定的结构。
如今，人工智能在材料发现方面的作用仍然令人震撼。 未来是奇异的。