概述
人工智能可以预测哪些新材料可能存在、稳定且具有有用的特性，从而大大缩小了对可能化合物的近乎无限空间的搜索范围。这对于电池、太阳能电池、超导体和催化剂来说很重要，因为找到合适的材料可能需要数十年的时间。
材料发现中的人工智能侧重于实际部署：将模型功能转化为可靠的日常工作流程，提供可衡量的价值。
深入探讨
传统上，发现新材料意味着缓慢的试错合成或昂贵的量子力学模拟。人工智能加速了两端。图神经网络将晶体表示为原子（节点）和键（边缘），并学习在几毫秒内预测诸如形成能、带隙或电导率等属性，而不是密度泛函理论中的数小时。生成模型提出了全新的候选结构，人工智能筛选了数百万个候选结构，以标记出少数值得在实验室中制造的结构。 2023 年，DeepMind 的 GNoME 报告了数十万个预测的稳定晶体，Microsoft 的 MatterGen 证明了生成以所需属性为条件的结构。这些模型越来越多地应用于自动驾驶实验室，在那里机器人自动合成和测试最优秀的候选者。
技术洞察
像图网络这样的晶体特性模型尊重物理的对称性：它们对于平移、旋转或重新标记原子具有不变性，这使得预测在物理上一致且数据高效。典型的流程使用快速神经代理对数百万个候选者进行排名，然后使用密度泛函理论验证最佳者，最后综合少数候选者。这个漏斗将棘手的搜索变成了易于处理的候选名单，同时在最后进行了严格的物理检查。
掌握材料发现中的人工智能
人工智能可以预测哪些新材料可能存在、稳定且具有有用的特性，从而大大缩小了对可能化合物的近乎无限空间的搜索范围。这对于电池、太阳能电池、超导体和催化剂来说很重要，因为找到合适的材料可能需要数十年的时间。材料发现中的人工智能侧重于实际部署：将模型功能转化为可靠的日常工作流程，提供可衡量的价值。为了建立深入的理解，请将材料发现中的人工智能视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，在材料发现中使用人工智能的强大团队专注于工作流程结果，而不是模型演示，并尽早定义人工检查点。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
应用级设计决定了人工智能是否能改善实际结果。与此同时，将损坏的流程自动化可能会加剧现有的问题。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
应用级设计决定了人工智能是否能改善实际结果。
应用级设计决定了人工智能是否能改善实际结果。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
良好的工作流程集成可以创造用户值得信赖的生产力收益。
良好的工作流程集成可以创造用户值得信赖的生产力收益。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
范围明确的用例可以减少变更疲劳和实施风险。
范围明确的用例可以减少变更疲劳和实施风险。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
DeepMind 的 GNoME 预测了数十万种新的稳定晶体结构并扩展了已知材料数据库
机器学习的原子间势能快速运行，合金和电解质的分子动力学接近 DFT 精度
像 MatterGen 这样的生成模型提出了针对所需带隙或磁性的晶体
自动驾驶实验室（例如 A-Lab），人工智能选择候选者，机器人自动合成和表征它们
实施模式
人工智能在材料发现中的实践
DeepMind 的 GNoME 预测了数十万种新的稳定晶体结构并扩展了已知材料数据库。
DeepMind 的 GNoME 可以预测数十万种新的稳定晶体结构并扩展已知材料数据库。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
人工智能在材料发现中的实践
机器学习的原子间势能快速运行，合金和电解质的分子动力学接近 DFT 精度。
机器学习的原子间势能快速运行，合金和电解质的分子动力学接近 DFT 精度。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
人工智能在材料发现中的实践
像 MatterGen 这样的生成模型提出了针对所需带隙或磁性的晶体。
像 MatterGen 这样的生成模型提出了针对所需带隙或磁性的晶体。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
人工智能在材料发现中的实践
自动驾驶实验室（例如 A-Lab），人工智能选择候选者，机器人自动合成和表征它们。
在自动驾驶实验室（例如 A-Lab）中，人工智能选择候选者，机器人自动对其进行综合和表征。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
将损坏的流程自动化可能会加剧现有问题。
团队可能会过度自动化并消除所需的人工判断。
如果不持续评估输出，质量可能会出现偏差。
实施路线图
绘制当前工作流程并确定摩擦最大的步骤。
绘制当前工作流程并确定摩擦最大的步骤。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在完全自动化之前定义人工检查点。
在完全自动化之前定义人工检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
对用户进行提示、升级路径和质量标准方面的培训。
对用户进行提示、升级路径和质量标准方面的培训。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪任务级结果以确认持续价值。
跟踪任务级结果以确认持续价值。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。