Nature两篇：“AI+机器人”发现新材料，“抢饭碗”的终极版本？

当今世界，人工智能（AI）毫无疑问是个吸引眼球的话题，特别是ChatGPT等大语言模型的崛起，更是在全世界范围内掀起了热潮。AI在一些方面相对人脑的压倒性优势也引起了不少讨论，比如，未来哪些工作最容易被AI“抢饭碗”？无论是普通大众，还是学术研究群体，其实或多或少都有忧虑。AI在科研领域的应用越来越多，也越来越深入，2021年Science杂志社评选的十大“年度突破”，“AI预测蛋白质结构”就高居榜首（Science, 2021, 374, 1426，点击阅读详细）。不仅如此，在化学和材料科学领域，AI近年来也频频大放异彩，可以根据分子结构准确预测不同分子的气味（Science, 2023, 381, 999, 点击阅读详细），在没有化学家输入的情况下分析催化反应动力学数据并阐明相应的机理类别（Nature, 2023, 613, 689, 点击阅读详细），设计复杂天然产物的全合成路线（Nature, 2020, 588, 83, 点击阅读详细），为有机反应筛选最佳反应条件（Science, 2023, 381, 965, 点击阅读详细），基于结构预测分子的抗菌活性（Cell, 2020, 180, 688, 点击阅读详细）……面对“咄咄逼人”的AI，一些科研工作者半开玩笑地表示，“实验室还是需要人来‘搬砖’的嘛，AI又没有长手长脚，做不了实验……”不过，实际情况可能比这些小伙伴想象的还要严峻，AI的确没有长手长脚，但另外一个“抢饭碗”的不仅有手有脚，还能7天×24小时待在实验室，每天做实验超过20小时……比如下面这一位（Nature, 2020, 583, 237, 点击阅读详细）。

做实验中的机器人。图片来源：Nature, 2020, 583, 237

近日，Nature 杂志再刊登两篇论文，分别来自谷歌DeepMind和美国劳伦斯伯克利国家实验室（LBL），报道了AI和机器人在发现新材料过程中的新突破。谷歌DeepMind的Amil Merchant和Ekin Dogus Cubuk等研究者利用深度学习来大大加快发现新材料的过程，所用技术被称为“材料探索图网络（graph networks for materials exploration, GNoME）”，已经预测了220万种新材料的结构，其中700多种已经在实验室中实现了合成 [1]。而LBL的Yan Zeng和Gerbrand Ceder等研究者带来的则是一个用于无机粉末材料自主固态合成的自动化实验室A-Lab，该实验室从材料数据库中获取数据（其中包括GNoME的一些发现），并使用机器学习和实验机器人在没有人类帮助的情况下设计和合成新材料。[2]

AI引导机器人进行新材料发现。图片来源：Marilyn Sargent / LBL [3]

谷歌DeepMind的研究者将大规模主动学习用于材料探索，在此前研究中发现的4.8万个稳定晶体的数据基础上，产生了第一个能够准确预测材料稳定性的模型以指导材料发现。该方法结合了两种不同的深度学习模型，第一种通过对现有材料中的元素进行修改，包括新的对称感知部分替换（symmetry-aware partial substitution, SAPS）和随机结构搜索，产生超过10亿个结构；第二种则完全忽略了现有结构，仅仅根据化学组成来预测新材料的稳定性。这两种模型的结合，带来的是更广泛的可能性。候选结构生成之后，研究者使用GNoME模型进行过滤筛选，该模型可预测给定结构的分解能——材料稳定性的重要指标。GNoME选择最有希望的候选结构，并根据已有的理论框架对其进行进一步评估。这个流程会重复多次，每次的发现都会被纳入下一轮的训练中。在第一轮中，GNoME预测不同材料稳定性的精度约为5%，但经过持续的迭代学习过程，它的精度迅速提高。最终结果表明，GNoME在第一种模型中根据结构预测材料稳定性的准确率超过80%，在第二种模型中仅根据组成预测材料稳定性的准确率为33%，远远高于此前报道的1%左右。

GNoME提高新材料发现的效率。图片来源：Nature [1]

研究者预测了220万种新材料的结构，其中许多结构并不符合人类科学家的化学“直觉”。在稳定的结构中，其中超过700种已经在实验室中实现了合成。众所周知，利用AI发现新材料并不是一个新奇的想法，谷歌DeepMind的GNoME的优势在于训练数据的规模和模型的精度，该模型接受的训练数据比以往同类型的模型都要多出至少一个数量级。以前做类似的计算代价高昂且规模有限，GNoME使得科学家能以更高的精度和更少的成本进行这些计算。

所发现的稳定晶体。图片来源：Nature [1]

一旦发现了新材料，合成并证明其应用潜力也同样重要。LBL研究者带来的A-Lab，目标正是缩小新材料的计算筛选和实验合成之间的差距。A-Lab平台使用计算、文献中的历史数据、机器学习和主动学习等，结合机器人技术，使用GNoME的一些发现与“Materials Project”项目数据以优化新材料的设计与合成。基于经过训练的机器学习模型，A-Lab能够自行决定如何合成目标材料，并创建多达5种初始原材料组合。每次实验结束后，A-Lab都会根据实验结果调整原材料组合。在17天内，A-Lab进行了355次实验，并成功合成了58种化合物中的41种，包括各种氧化物和磷酸盐。这些目标通过使用“Materials Project”项目数据和谷歌DeepMind的GNoME而确定。即便是失败的合成也有意义，相关信息为改进现有的材料筛选和合成设计技术提供了直接和可行的建议。

基于A-Lab进行自主材料发现。图片来源：Nature [2]

论文作者Kristin Persson表示，在常规的人类主导的实验室里，制造新材料需要相当长的时间。“如果你运气不好，可能需要几个月甚至几年。”她坦承，“大多数研究者几周后就会放弃，但是A-Lab并不介意失败，它一直在不断尝试。”[4]

谷歌DeepMind和LBL的研究者认为，这些新的AI工具可以帮助加速能源、计算和许多其他领域的硬件创新。而发现的新材料，尤其是新的材料种类，将有希望在电池、计算机芯片、陶瓷和电子产品等领域促进技术革新以及推动可持续发展。一般情况下，新材料在被发现之后，通常需要几十年的时间才能实现商业化应用。Cubuk说，“如果我们能把这个时间缩短到5年，那也将是一个很大的进步。”[4]

那么，AI+机器人是技术推进器，还是饭碗粉碎机？

参考文献：

1. Merchant, A. et. al. Scaling deep learning for materials discovery. Nature, 2023, DOI: 10.1038/s41586-023-06735-9

https://www.nature.com/articles/s41586-023-06735-9   

2. Szymanski, N. J. An autonomous laboratory for the accelerated synthesis of novel materials. Nature, 2023, DOI: 10.1038/s41586-023-06734-w 

https://www.nature.com/articles/s41586-023-06734-w 

3. Google DeepMind Adds Nearly 400,000 New Compounds to Berkeley Lab’s Materials Project

https://newscenter.lbl.gov/2023/11/29/google-deepmind-new-compounds-materials-project/ 

4. Google DeepMind’s new AI tool helped create more than 700 new materials

https://www.technologyreview.com/2023/11/29/1084061/deepmind-ai-tool-for-new-materials-discovery/   

（本文由焰君供稿）

如果篇首注明了授权来源，任何转载需获得来源方的许可！如果篇首未特别注明出处，本文版权属于 X-MOL （ x-mol.com ）， 未经许可，谢绝转载！