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。
概述
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
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。
战略影响
构建选择
应用级设计决定了人工智能是否能改善实际结果。
团队与工作流程
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。
风险与安全
范围明确的用例可以减少变更疲劳和实施风险。
人工智能在材料发现领域的未来
前沿正在闭合循环：生成设计提出目标材料，人工智能规划合成路线，以及自主机器人实验室制造和测量它们，并将结果反馈到模型中。期望更好地处理可合成性，而不仅仅是热力学稳定性，加上机器学习的原子间势的增长，以接近量子精度和更快的速度运行分子模拟，从而解锁更长和更大的实验。
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
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。
在完全自动化之前定义人工检查点。
对用户进行提示、升级路径和质量标准方面的培训。
跟踪任务级结果以确认持续价值。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Materials Discovery quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is AI in Materials Discovery?
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。
图神经网络通常如何表示晶体？
晶体本质上是图：原子是节点，原子间键是边，让 GNN 学习结构-属性关系。
AI替代者经常取代哪些缓慢的物理计算来进行快速筛选？
DFT准确但昂贵；神经代理在几毫秒内近似其属性预测，以筛选许多候选者。
DeepMind 的 GNoME 在 2023 年做出了哪些贡献？
GNoME 预测会出现大量新的稳定晶体，从而大大扩展了候选材料的数据库。
为什么旋转和平移不变性在材料模型中很重要？
如果旋转、移动或重新标记原子，物理属性不应改变；建立这些对称性可以提高准确性和数据效率。
什么是材料发现中的“自动驾驶实验室”？
自主实验室形成了闭环：人工智能提出材料，机器人系统制造并表征它们，将结果反馈给模型。