應用指南

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。

聆聽此指南AI 語音敘述 · ~2 min

本頁閱讀時間約2分鐘
  1. 概述
  2. 深入探討
  3. 現實世界的實施
  4. 人工智慧在材料發現領域的未來
  5. 付諸實踐
  6. 不斷探索
  7. 常見問題

概述

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。

深入探討

AI tools can screen candidate crystals or generate structures under property constraints, but predictions need independent validation. In its 2023 GNoME study, DeepMind reported 381,000 new stable materials and 736 structures independently experimentally verified. MatterGen takes a different generative approach: its diffusion process refines atom types, coordinates, and the periodic lattice, and its paper studies fine-tuning toward property constraints. Computational stability or a generated structure alone does not establish practical synthesizability or useful measured performance.

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

人工智慧在材料發現領域的未來

前沿正在閉合循環:生成設計提出目標材料,人工智慧規劃合成路線,以及自主機器人實驗室製造和測量它們,並將結果反饋到模型中。期望更好地處理可合成性,而不僅僅是熱力學穩定性,加上機器學習的原子間勢的增長,以接近量子精度和更快的速度運行分子模擬,從而解鎖更長和更大的實驗。

付諸實踐

為什麼這很重要

  • 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
  • 團隊與工作流程. 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。
  • 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。

留意

  • 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。

後續步驟

  1. 繪製目前工作流程並確定摩擦最大的步驟。
  2. 在完全自動化之前定義人工檢查點。
  3. 對使用者進行提示、升級路徑和品質標準的訓練。
  4. 追蹤任務級結果以確認持續價值。

不斷探索

免費電子報

獲取每日 AI 簡報

每個工作日上午提供三則經過驗證的 AI 新聞,以淺顯易懂的英文撰寫。永久免費,無廣告。

每個工作日一封電子郵件。一鍵取消訂閱。我們絕不出售或分享您的地址。

測試一下自己

Take the AI in Materials Discovery quiz

每個答案皆有即時回饋,通過課程後可獲得具備可驗證 ID 的可分享證書。

開始測驗

支持免費的 AI 教育。AI Understanding 是一個 501(c)(3) 非營利組織——絕無廣告,絕無付費牆。 捐款

常見問題

什麼是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。

圖神經網路通常如何表示晶體?

晶體本質上是圖:原子是節點,原子間鍵是邊,讓 GNN 學習結構-屬性關係。

AI替代者經常取代哪些緩慢的實體運算來進行快速篩選?

DFT準確但昂貴;神經代理在幾毫秒內近似其屬性預測,以篩選許多候選者。

DeepMind 的 GNoME 在 2023 年做出了哪些貢獻?

GNoME 預測會出現大量新的穩定晶體,從而大大擴展了候選材料的資料庫。

為什麼旋轉和平移不變性在材料模型中很重要?

如果旋轉、移動或重新標記原子,物理屬性不應改變;建立這些對稱性可以提高準確性和資料效率。

什麼是材料發現中的「自動駕駛實驗室」?

自主實驗室形成了閉環:人工智慧提出材料,機器人系統製造並表徵它們,將結果回饋給模型。