Google DeepMind推出GNoME：一種新的深度學(xué)習(xí)工具，通過預(yù)測新材料的穩(wěn)定性，顯著提高了發(fā)現(xiàn)速度和效率

無機(jī)晶體對許多當(dāng)代技術(shù)至關(guān)重要，包括計算機(jī)芯片、電池和太陽能電池板。每個新的、穩(wěn)定的晶體都是通過數(shù)月的細(xì)致實驗得出的，而穩(wěn)定的晶體對于啟用新技術(shù)至關(guān)重要，因為它們不會溶解。

研究人員進(jìn)行了昂貴的反復(fù)試驗，但結(jié)果有限。他們通過修改現(xiàn)有晶體或嘗試其他元素組合來尋找新的晶體結(jié)構(gòu)。在過去的十年里，由Materials Project等主導(dǎo)的計算方法發(fā)現(xiàn)了28,000種新材料。直到現(xiàn)在，新興的人工智能引導(dǎo)技術(shù)可靠地預(yù)測實驗可行的材料的能力一直是一個主要限制。

來自勞倫斯伯克利國家實驗室和Google DeepMind的研究人員在《自然》雜志上發(fā)表了兩篇論文，展示了我們的人工智能預(yù)測在自主材料合成方面的潛力。該研究顯示找到了220萬個新晶體，相當(dāng)于約800年的信息量。他們的新深度學(xué)習(xí)工具，材料探索圖網(wǎng)絡(luò)（GNoME），預(yù)測了新材料的穩(wěn)定性，極大地提高了發(fā)現(xiàn)的速度和效率。GNoME展示了人工智能在大規(guī)模發(fā)現(xiàn)和開發(fā)新材料方面的潛力。全球不同實驗室的科學(xué)家同時進(jìn)行的努力產(chǎn)生了736種這樣的新結(jié)構(gòu)。

GNoME使技術(shù)上可行的材料數(shù)量增加了兩倍。在其220萬個預(yù)測中，有38萬個由于其穩(wěn)定性而被認(rèn)為在實驗合成中具有最大潛力。其中包括具有提高電動汽車效率的下一代電池和為超級計算機(jī)提供動力的超導(dǎo)體等材料。

GNoME是一種先進(jìn)的圖神經(jīng)網(wǎng)絡(luò)（GNN）模型。由于GNN輸入數(shù)據(jù)由類似于原子連接的圖表示，GNN非常適合尋找新的結(jié)晶材料。

最初用于訓(xùn)練GNoME的晶體結(jié)構(gòu)及其穩(wěn)定性的數(shù)據(jù)是通過Materials Project公開提供的。采用“主動學(xué)習(xí)”作為訓(xùn)練方法顯著提高了GNoME的效率。研究人員生成了新的晶體候選，并使用GNoME預(yù)測了它們的穩(wěn)定性。他們使用密度泛函理論（DFT），這是物理學(xué)、化學(xué)和材料科學(xué)中一種被廣泛采用的計算方法，用于理解原子結(jié)構(gòu)——這對于評估晶體穩(wěn)定性至關(guān)重要——在漸進(jìn)的訓(xùn)練周期中反復(fù)檢查模型的性能以評估其預(yù)測能力。高質(zhì)量的訓(xùn)練數(shù)據(jù)再次進(jìn)入該過程。

研究結(jié)果表明，該研究將材料穩(wěn)定性預(yù)測的發(fā)現(xiàn)率從約50%提高到80%，使用早期最先進(jìn)模型作為指南的外部基準(zhǔn)集。對該模型效率的改進(jìn)使發(fā)現(xiàn)率從不到10%提高到80%以上；這些效率的提高可能對每一次發(fā)現(xiàn)所需的計算能力產(chǎn)生重大影響。

自主實驗室利用來自Materials Project的成分和GNoME的穩(wěn)定性信息生產(chǎn)了超過41種新材料，為AI驅(qū)動的材料合成的進(jìn)一步發(fā)展鋪平了道路。

GNoME的預(yù)測已經(jīng)向科學(xué)界發(fā)布。研究人員將提供這些預(yù)測給Materials Project，該項目將分析這些化合物并將它們添加到其在線數(shù)據(jù)庫中，其中包含38萬種材料。通過這些資源的幫助，他們希望社區(qū)將進(jìn)一步研究無機(jī)晶體，并認(rèn)識到機(jī)器學(xué)習(xí)技術(shù)作為實驗指南的潛力。