DeepMind 发布 AI 工具 GNoME，据称已成功发现 220 万种新晶体材料

大家好，今天本人给大家带来文章《DeepMind 发布 AI 工具 GNoME，据称已成功发现 220 万种新晶体材料》，文中内容主要涉及到，如果你对科技周边方面的知识点感兴趣，那就请各位朋友继续看下去吧~希望能真正帮到你们，谢谢！

12 月 1 日消息，谷歌旗下 DeepMind 日前在《自然》期刊上展示了自家 AI 工具 GNoME，并介绍了 AI 在材料科学上的相关应用，据悉，DeepMind 使用 GNoME 发现了 220 万种新晶体，其中有 38 万种晶体属于稳定材料，可以在实验室制造，有望应用在电池或是超导体等方面。

需要进行改写的内容是：▲ 图源 深度学习

目前 ICSD 数据中，约有 2 万种晶体在计算上被认为处于“稳定态”，此前 Materials Project 等团队通过一系列计算方法，又找出了 2.8 万种晶体。不过 DeepMind 认为，此前业界经过改进的计算方法，虽然能够加快发现新晶体结构的速度，但是时间与金钱成本相当高。

而 DeepMind 的新工具 GNoME，据称突破了此前的各种计算方法，能够准确预测一系列稳定的晶体结构，并从中生成了 220 万种材料，DeepMind 声称，如果仅凭借人力计算出这些材料，需要花费 800 年。

需要进行改写的内容是：▲ 图源 深度学习

本站从 DeepMind 报告中获悉，GNoME 开发材料的效率相当高，该模型一共设计了 5.2 万种新型石墨烯层状化合物，而在之前，人类只鉴定出约 1,000 种类似的材料。此外，GNoME 还发现 528 种潜在的锂离子导体，导电能力可达之前材料的 25 倍。科学家认为，仅仅是上述发现，就有望改善目前电子产品中应用的电池能耗。

需要进行改写的内容是：▲ 图源 深度学习

DeepMind指出，GNoME采用两种策略来搜索材料，一种是基于已知晶体结构创造候选物，另一种则是基于化学公司，以更随机的方式探索候选物结构。该模型同时使用神经网络处理和分析上述两种方法的输出，并使用密度泛函理论（Density Functional Theory）计算来评估这些材料候选物的稳定性。此外，GNoME还使用“主动学习（Active Learning）”的方法来提高晶体预测的准确性和效率，从而显著提高发现新材料的速度和成功率

需要进行改写的内容是：▲ 图源 深度学习

GNoME 模型旨在是降低发现新材料的成本，目前全球的科学家已在实验室制造出 736 种 GNoME 所预测的新材料，这证明了 GNoME 的晶体预测在现实中的准确性与可行性，而 DeepMind 目前已经将 GNoME 新发现的晶体数据库公开，协助科研人员测试和制造候选材料。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于科技周边的相关知识，也可关注golang学习网公众号。