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，并介紹了 AI 在材料科學上的相關應用，據(jù)悉，DeepMind 使用 GNoME 發(fā)現(xiàn)了 220 萬種新晶體，其中有 38 萬種晶體屬于穩(wěn)定材料，可以在實驗室制造，有望應用在電池或是超導體等方面。

▲ 圖源 DeepMind

目前 ICSD 數(shù)據(jù)中，約有 2 萬種晶體在計算上被認為處于“穩(wěn)定態(tài)”，此前 Materials Project 等團隊通過一系列計算方法，又找出了 2.8 萬種晶體。不過 DeepMind 認為，此前業(yè)界經(jīng)過改進的計算方法，雖然能夠加快發(fā)現(xiàn)新晶體結構的速度，但是時間與金錢成本相當高。

而 DeepMind 的新工具 GNoME，據(jù)稱突破了此前的各種計算方法，能夠準確預測一系列穩(wěn)定的晶體結構，并從中生成了 220 萬種材料，DeepMind 聲稱，如果僅憑借人力計算出這些材料，需要花費 800 年。

▲ 圖源 DeepMind

IT之家從 DeepMind 報告中獲悉，GNoME 開發(fā)材料的效率相當高，該模型一共設計了 5.2 萬種新型石墨烯層狀化合物，而在之前，人類只鑒定出約 1,000 種類似的材料。此外，GNoME 還發(fā)現(xiàn) 528 種潛在的鋰離子導體，導電能力可達之前材料的 25 倍。科學家認為，僅僅是上述發(fā)現(xiàn)，就有望改善目前電子產(chǎn)品中應用的電池能耗。

▲ 圖源 DeepMind

DeepMind 提到， GNoME 采用兩種策略來尋找材料，第一種是根據(jù)已知晶體結構創(chuàng)造候選物，另一種則是基于化學公司，以更隨機的方式探索候選物結構。該模型同時通過神經(jīng)網(wǎng)絡來處理和分析上述兩種方法的輸出，使用密度泛函理論（Density Functional Theory）計算，來評估這些候選物的穩(wěn)定性。并利用一種稱為“主動學習（Active Learning）”的方法來提高晶體預測精準度和效率，從而大幅增加發(fā)現(xiàn)新材料的速度和成功率。

▲ 圖源 DeepMind

GNoME 模型旨在是降低發(fā)現(xiàn)新材料的成本，目前全球的科學家已在實驗室制造出 736 種 GNoME 所預測的新材料，這證明了 GNoME 的晶體預測在現(xiàn)實中的準確性與可行性，而 DeepMind 目前已經(jīng)將 GNoME 新發(fā)現(xiàn)的晶體數(shù)據(jù)庫公開，協(xié)助科研人員測試和制造候選材料。