晶体材料在芯片制造、太阳能电池等领域有着广泛的应用，找到更有价值的新型晶体材料对于现代科技的发展具有至关重要的意义。
晶体材料 [1]
传统上，新材料的设计往往依赖于科学家的经验和直觉。例如，对已知材料的某些成分进行替换，再通过实验来验证这些新材料的稳定性和可用性。在过去的几十年中，科学家们基于这种边想边试的方法发现了大约2万种稳定的新材料。然而，这种方法的效率很低，大量实验浪费在失败的尝试上。
近年来，人们利用数值计算法辅助新材料的开发。这种方法主要基于密度泛函理论 (DFT，一种用于研究多电子体系电子结构的方法)，通过计算材料的能量来判断其稳定性，这样就不必实际动手做实验了。借助这种方法，科学家们近年来又发现了大约2万8千种新材料。然而，这种数值计算法的计算效率很低，特别是在处理复杂材料时更是如此。
2023年11月底，DeepMind (一家全球领先的人工智能公司，由AI程序师兼神经科学家戴密斯·哈萨比斯等人联合创立) 在《自然》杂志上发表了一篇重磅文章[2]。文章宣布，他们开发了一款称为GNoME的人工智能系统，该系统极大地提高了新材料预测的效率和精度。迄今为止，GNoME已经发现了约220万种新型晶体材料，其中38万种表现出极高的稳定性。这一成就一举将人类晶体材料库扩充了10倍，相当于替代人类科学家完成了800年的实验工作。
GNoME 加速新材料发现 [1]
GNoME为何如此强大！？
GNoMe的关键技术在于它采用了一种称为 “图神经网络 (GNN)” 的深度学习模型。这种模型特别擅长灵活地刻画不同原子之间的相互作用关系，从而能够更精确地预测材料的稳定性。如图所示，首先，通过结构替换 (Structural Pipeline) 或成分替换 (Compositional Pipeline) 生成大量新材料的候选。然后，利用GNN网络对这些候选进行筛选，筛选出稳定性较高的材料。接下来，对这些精挑细选出的材料使用密度泛函理论 (DFT) 来计算它们的稳定性，并从中挑选出高稳定性的材料加入到GNoME的数据库中。同时，这些高稳定性的材料还可以作为新的训练数据，来调节GNN网络，以增强其预测能力。这种学习方法称为“主动学习”。
GNoME的学习流程 [2]
GNoME非常强大，在它所发现的38万种新材料中，有736种是其他研究团队最近才发现的。这一事实证明了GNoME能够代替人类科学家发现有价值的新材料。下图是一些典型的例子：包括人类首次发现的碱土金刚石光学材料 Li4MgGe2S7，以及潜在的超导体材料 Mo5GeB2。
不仅如此，DeepMind还与伯克利实验室的A-Lab进行合作，利用机器人替代人做实验，来验证GNoMe发现的新材料。这种AI指导的自动化实验将极大地加速新材料的发现过程，对未来社会产生深远影响。
参考文献：
[1] Merchant, A., Batzner, S., Schoenholz, S.S. et al. Scaling deep learning for materials discovery. Nature 624, 80–85 (2023). https://doi.org/10.1038/s41586-023-06735-9
[2] Millions of new materials discovered with deep learning, DeepMind Blog, https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/
供稿：清华大学 王东
制作：北京邮电大学 戴维
审核：北京邮电大学 李蓝天