编程并不是一个机械性的工作，而是需要有思考，有创新的工作，语法是固定的，但解决问题的思路则是依靠人的思维，这就需要我们坚持学习和更新自己的知识。今天golang学习网就整理分享《Nature重磅：17天独自创造41种新材料，AI再次赢了人类》，文章讲解的知识点主要包括，如果你对科技周边方面的知识点感兴趣，就不要错过golang学习网，在这可以对大家的知识积累有所帮助，助力开发能力的提升。

在仅仅17天的时间里，人工智能（AI）就独自创造了41种新材料，每天超过两种

相反，人类科学家可能需要数个月的试验和实验才能创造出一种新材料

今天，A-Lab 这个名为的 AI 实验室在权威科学期刊 Nature 上登场

据介绍，A-Lab 是一个由 AI 指导机器人制造新材料的实验室，能够在最少的人为干预下迅速发现新材料，其可以帮助确定和快速跟踪多个研究领域的材料，包括电池、储能、太阳能电池、燃料电池等。

值得一提的是，在一次测试任务中，A-Lab 成功合成了 58 种预测材料中的 41 种，成功率达到了 71%。

这些测试数据来自伯克利实验室开放获取数据库 Materials Project 和由 Google DeepMind 开发的 Graph Networks for Materials Exploration（GNoME）深度学习工具。

同样在今天，Google DeepMind 的 GNoME 也登上了 Nature，其为 Materials Project 贡献了近 40 万种新化合物，是自该项目成立以来，由一个团队添加的最大一次新增结构稳定性数据，大大增加了科学家用于为未来技术发明新材料的开放存取资源。

伯克利实验室 Materials Project 创始人兼主任、加州大学伯克利分校教授 Kristin Persson 表示，“要解决全球环境和气候挑战，我们必须创造新材料。借助材料创新，我们可以开发可回收塑料、利用废弃能源、制造更好的电池，并构建更便宜、寿命更长的太阳能电池板等。”

有了AI，制造、测试新材料更快了

新技术的发展往往需要新材料。然而，制造一个材料并非易事。

科学家们已经利用计算预测了数十万种新型材料，但是验证这些材料在实际中是否能够制造出来是一个缓慢的过程。从计算到商业化，一个材料需要花费很长时间。它必须具备合适的属性，能够在设备中正常运作，具有可扩展性，并且具备适当的成本效益和性能

在当下，借助超级计算机和模拟技术，研究人员不再需要从零开始盲目尝试去创造材料

在此次工作中，Google DeepMind 团队使用 Materials Project 十多年来开发的工作流程和数据对 GNoME 进行了训练，并通过主动学习改进了 GNoME 算法。

最终，GNoME 产生了 220 万种晶体结构，其中有 38 万种被纳入 Materials Project 中，且被预测为是稳定的。这些数据包括材料原子的排列方式（晶体结构）和稳定性（形成能）。

图｜化合物 Ba₆Nb₇O₂₁ 是 GNoME 计算出的新材料之一，包含钡（蓝色）、铌（白色）和氧（绿色）。

据论文描述，GNoME 已将结构稳定预测的精确性提高到 80% 以上，在预测成分时每 100 次试验的精确度提高到 33%（相比之下，此前工作中该数字仅为 1%）。

Google DeepMind 材料发现团队负责人 Ekin Dogus Cubuk 表示：“我们希望 GNoME 项目能够推动无机晶体研究的发展。外部研究人员已经通过独立的物理实验验证了 GNoME 发现的 736 多种新材料，证明了我们模型的发现可以在实验室中实现。”

然而，研究团队在论文中也指出，在实际应用中，GNoME 仍存在一些开放性问题，其中包括由竞争多形体引发的相变、振动轮廓和构型熵引起的动态稳定性，以及对最终合成能力的更深入理解。

为了创造出Materials Project预测的新化合物，A-Lab的人工智能通过研究科学论文并利用主动学习进行调整，成功创造出了新的配方

伯克利实验室和加州大学伯克利分校科学家、A-Lab 首席研究员 Gerd Ceder 说：“我们的成功率达到了惊人的 71%，而且我们已经找到了一些改进方法。我们已经证明，将理论和数据与自动化相结合，会产生令人难以置信的结果。我们可以比以往任何时候都更快地制造和测试材料。”

据介绍，对决策算法做一些小改动，这一成功率还可提高到 74%，如果计算技术得到改进，还能将成功率进一步提高到 78%。

Persson表示：“我们不仅要让我们产生的数据免费并可用于加速全球的材料设计，还要向世界传授计算机可以为人们做些什么。计算机可以比单独的实验更高效、更快地扫描大范围的新化合物和属性。”

在 A-Lab 和 GNoME 等的协助下，科学家能够将注意力集中在未来有潜力的材料上，例如能够提高汽车燃油经济性的更轻的合金、提高可再生能源效率的更高效太阳能电池，或者是下一代计算机中更快的晶体管

已显示出应用潜力

目前，Materials Project 正在处理更多 Google DeepMind 的化合物，并将其添加到在线数据库中。这些新数据将免费提供给研究人员，同时还会输入到与 Materials Project 合作的项目，如 A-Lab

在 Materials Project 数据库中，有12种化合物的结构被收录

过去十年中，研究人员根据 Materials Project 数据中的线索，在多个领域通过实验证实了新材料的有用性。其中一些已显示出应用潜力，例如：

• 在碳捕获中（从大气中提取二氧化碳）
• 作为光催化剂（在光的作用下加速化学反应的材料，可用于分解污染物或产生氢气）
• 作为热电材料（有助于利用废热并将其转化为电能的材料）
• 作为透明导体（可用于太阳能电池、触摸屏或 LED）

当然，找到这些潜在材料只是解决人类面临的一些重大技术挑战的众多步骤之一。

除了以上两项研究，近年来，AI 在新材料发现、合成方面，取得了诸多突破。

2020 年，一个包括美国国家标准与技术研究所（NIST）在内的多机构研究团队开发出了一种名为 CAMEO 的 AI 算法，该算法在不需要科学家额外训练的情况下，自主发现了一种潜在的实用新材料。

图 | CAMEO 在一个闭环操作中寻找新材料的过程（来源：NIST）

在同一年，来自北卡罗莱纳州立大学和布法罗大学的研究人员开发了一项名为“人工化学家”的技术。这项技术结合了人工智能和执行化学反应的自动化系统，旨在加速商业所需的新型化学材料的研发和生产过程

2022 年，美国加州大学圣地亚哥分校工程学院的纳米工程师开发了一种 AI 算法——M3GNet，该算法几乎可以即时地预测任何材料（无论是现有材料还是新材料）的结构和动态特性。研究人员可使用其来寻找更安全、能量密度更高的可充电锂离子电池电极和电解质。

图 | 多体图势能及主要计算模块的示意图（来源：加州大学圣地亚哥分校）

在《自然综述》杂志今年三月刊上发表的一项研究中，提出了一种由组合合成和人工智能技术共同推动的加速材料科学发展的未来设想。为了评估合成技术在特定实验工作流中的适用性，研究人员建立了一套包括合成速度、可扩展性、范围和合成质量等十项度量标准，并在这些度量标准的背景下总结了一些具有选择性的组合合成技术

作为高新技术的基础和先导，新材料应用范围极其广泛，它同信息技术、生物技术一起成为 21 世纪最重要和最具发展潜力的领域。

在未来，随着人工智能等技术的突破性发展，科学家们将有望专注于未来技术中更具前景的材料。这些材料包括更轻的合金，可以提高汽车的燃油经济性；更高效的太阳能电池，可以促进可再生能源的发展；以及更快的晶体管，可以在下一代计算机中发挥作用

今天带大家了解了的相关知识，希望对你有所帮助；关于科技周边的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~