概述
人工智慧可以預測哪些新材料可能存在、穩定且具有有用的特性，從而大大縮小了對可能化合物的近乎無限空間的搜尋範圍。這對於電池、太陽能電池、超導體和催化劑來說很重要，因為找到合適的材料可能需要數十年的時間。
材料發現中的人工智慧專注於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。
深入探討
傳統上，發現新材料意味著緩慢的試錯合成或昂貴的量子力學模擬。人工智慧加速了兩端。圖神經網路將晶體表示為原子（節點）和鍵（邊緣），並學習在幾毫秒內預測諸如形成能、帶隙或電導率等屬性，而不是密度泛函理論中的數小時。生成模型提出了全新的候選結構，人工智慧篩選了數百萬個候選結構，以標記出少數值得在實驗室中製造的結構。 2023 年，DeepMind 的 GNoME 報告了數十萬個預測的穩定晶體，Microsoft 的 MatterGen 證明了產生以所需屬性為條件的結構。這些模型越來越多地應用於自動駕駛實驗室，在那裡機器人自動合成和測試最優秀的候選者。
技術洞察
像圖網絡這樣的晶體特性模型尊重物理的對稱性：它們對於平移、旋轉或重新標記原子具有不變性，這使得預測在物理上一致且數據高效。典型的流程使用快速神經代理對數百萬個候選者進行排名，然後使用密度泛函理論驗證最佳者，最後綜合少數候選者。這個漏斗將棘手的搜尋變成了易於處理的候選名單，同時在最後進行了嚴格的物理檢查。
掌握材料發現中的人工智慧
人工智慧可以預測哪些新材料可能存在、穩定且具有有用的特性，從而大大縮小了對可能化合物的近乎無限空間的搜尋範圍。這對於電池、太陽能電池、超導體和催化劑來說很重要，因為找到合適的材料可能需要數十年的時間。材料發現中的人工智慧專注於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。為了建立深入的理解，請將材料發現中的人工智慧視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，在材料發現中使用人工智慧的強大團隊專注於工作流程結果，而不是模型演示，並儘早定義人工檢查點。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
應用級設計決定了人工智慧是否能改善實際結果。同時，將損壞的流程自動化可能會加劇現有的問題。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
應用級設計決定了人工智慧是否能改善實際結果。
應用級設計決定了人工智慧是否能改善實際結果。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
範圍明確的用例可以減少變更疲勞和實施風險。
範圍明確的用例可以減少變更疲勞和實施風險。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
DeepMind 的 GNoME 預測了數十萬種新的穩定晶體結構並擴展了已知材料資料庫
機器學習的原子間位能快速運行，合金和電解質的分子動力學接近 DFT 精度
像 MatterGen 這樣的生成模型提出了針對所需帶隙或磁性的晶體
自動駕駛實驗室（例如 A-Lab），人工智慧選擇候選者，機器人自動合成和表徵它們
實施模式
人工智慧在材料發現的實踐
DeepMind 的 GNoME 預測了數十萬種新的穩定晶體結構並擴展了已知材料資料庫。
DeepMind 的 GNoME 可以預測數十萬種新的穩定晶體結構並擴展已知材料資料庫。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
人工智慧在材料發現的實踐
機器學習的原子間位能快速運行，合金和電解質的分子動力學接近 DFT 精度。
機器學習的原子間位能快速運行，合金和電解質的分子動力學接近 DFT 精度。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
人工智慧在材料發現的實踐
像 MatterGen 這樣的生成模型提出了針對所需帶隙或磁性的晶體。
像 MatterGen 這樣的生成模型提出了針對所需帶隙或磁性的晶體。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
人工智慧在材料發現的實踐
自動駕駛實驗室（例如 A-Lab），人工智慧選擇候選者，機器人自動合成和表徵它們。
在自動駕駛實驗室（例如 A-Lab）中，人工智慧選擇候選者，機器人自動對其進行綜合和表徵。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
將損壞的流程自動化可能會加劇現有問題。
團隊可能會過度自動化並消除所需的人工判斷。
如果不持續評估輸出，品質可能會出現偏差。
實施路線圖
繪製目前工作流程並確定摩擦最大的步驟。
繪製目前工作流程並確定摩擦最大的步驟。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在完全自動化之前定義人工檢查點。
在完全自動化之前定義人工檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
對使用者進行提示、升級路徑和品質標準的訓練。
對使用者進行提示、升級路徑和品質標準的訓練。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤任務級結果以確認持續價值。
追蹤任務級結果以確認持續價值。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。