17天制造41种新材料，AI+机器人上大分！

原文作者：Mark Peplow

Google DeepMind的工具预测出了将近40万种稳定的物质，另一套自动系统则学着在实验室中造出它们。

A-Lab使用AI指导的机器人来混合加热配料，合成新材料。图片来源：Marilyn Sargent/伯克利实验室

一套组合了机器人与人工智能（AI）来创造崭新材料的自动化系统，已经发布了第一批新发现。这套叫做A-Lab的系统可以为材料设计配方，其中包括一些电池或太阳能板中可能会用到的材料。之后，它会合成材料并分析产物——整个过程完全不需要人类干预。与此同时，另外一套AI系统已经预测出了几十万种稳定材料的存在，这让A-Lab有充足的备选配方可作尝试。

这两项进展的愿景是能大幅加快清洁能源技术、下一代电子科技和其他一系列应用的材料的发现。“我们周围的很多技术，包括电池和太阳能电池，都可以通过更好的材料大幅改进。”伦敦Google DeepMind材料开发团队的领导人Ekin Dogus Cubuk说。他两项研究都有参与，论文于2023年11月发表于《自然》上[1,2]。

“科学发现是AI的下一个前沿。”美国康奈尔大学人工智能的科学应用研究所的联席主任Carla Gomes说，她未参与这项研究，“因此我觉得这项研究非常激动人心。”

大规模材料发现

经过好几个世纪以来艰辛的实验室工作，化学家们已合成了数十万种无机化合物——一般而言，就是不像有机物那样以碳原子链为核心的化合物。但是研究表明，还有几十亿种相对简单的无机材料等着被发现[3]。从哪开始找呢？

很多项目都尝试缩短在实验室里鼓捣材料的时间，通过计算手段模拟新的无机材料，计算其特性，如它们的原子是如何排布成晶格的。这些项目——包括劳伦斯伯克利国家实验室（LBNL）的“材料计划”在内——一共找出了约48000种预测能稳定的材料。

Ba₆Nb₇O₂₁的晶体结构。这是GNoME预测出的材料之一。图中蓝色的原子代表钡，灰色的是铌，绿色的是氧。图源：材料计划/伯克利实验室

Google DeepMind现在用一套称为“材料探索图网络（GNoME）”的AI系统，大为扩展这种做法的规模。使用材料计划和类似数据库中获得的数据训练之后，GNoME将已知材料的组分进行了调整，提出了220万种可能的化合物。计算过这些化合物是否稳定，并预测出它们的晶体结构之后，这套系统生成了总计38.1万种新的无机化合物，加入材料计划的数据库里[1]。

关键是，GNoME使用了多种策略，比此前AI系统预测出了更多的材料。例如，之前的AI可能会把材料中的所有钙离子变成镁离子，但GNoME可能就只替代一半，或是尝试比之前范围更大的罕见原子替代选项。倘若不可行也没关系，因为系统会筛除所有不稳定的材料，并从错误中学习。“就像材料发现界的ChatGPT。”Gomes说。

不知疲倦的机器人

预测材料存在是一回事，实际在实验室里造出来就是另一回事了。这就是A-Lab的作用。“我们现在有能力快速制造出这些计算中发现的新材料。”LBNL的材料科学家，率领A-Lab团队的Gerbrand Ceder说。

LBNL的A-Lab使用最先进的机器人来混合并加热固态原料粉末，然后分析产物并检查工序是否成功。这套价值200万美元的设备花了18个月才建好。但最大的挑战是如何使用AI让这套系统真正自动化，这样它就可以设计实验、解释数据，并作出决策改进合成流程。“看这些机器人工作特别好玩，但创新都在内部。”Ceder说。

A-Lab工作的视频。图源：伯克利实验室/美国能源部

Ceder的团队从材料计划数据库中找出了58种预测稳定的目标化合物，和GNoME数据库对照过，并将这些目标交给了A-Lab的机器学习模型。

在筛过三万种已发表合成方法后，A-Lab可以评估每个目标化合物与已知材料之间的相似度，并提出制作所需的原料和反应温度。之后系统会从架子上选出材料，执行合成工序，并分析产物。如果文献启发的配方在试过几次之后，目标产物仍不到一半，它就会进行一套“主动学习”算法，设计更好的流程，然后不知疲倦的机器人会重新开始工作。

最后，A-Lab总共花了17天制造出了41种新的无机材料，其中9种是通过主动学习改进合成流程之后才造出来的[2]。在A-Lab没做出来的17种材料里，大多数都是因为实验上的困难——有些最终还是合成出来了，但有人类介入，比如在反应进行途中重新研磨混合物。

不过，很明显GNoME这类系统所做出的计算预测中，有些即使是自动实验室也跟不上的，利物浦大学材料创新工厂的学术主管Andy Cooper说。“我们真正需要的是让计算来告诉我们该做什么。”Cooper说。为此，AI系统必须准确计算出预测材料的更多化学和物理性质。

与此同时，A-Lab还在跑反应，并会将结果加入材料计划，这样全世界的科学家就都可以用上它们来帮助自己工作。逐渐增加的数据库可能会是这套系统最大的贡献，Ceder说。“本质上就是一张常见固态物质反应性的地图。那将是最终改变世界的东西——不是A-Lab本身，而是它生成的知识和信息。”

参考文献：

1.Merchant, A. et al. Nature https://doi.org/10.1038/s41586-023-06735-9 (2023).

2. Szymanski, N. J. et al. Nature https://doi.org/10.1038/s41586-023-06734-w (2023).

3. Davies, D. W. et al. Chem 1, 617–627 (2016).

原文以Google AI and robots join forces to build new materials标题发表在2023年11月29日《自然》的新闻版块上

© nature

doi:10.1038/d41586-023-03745-5

点击阅读原文查看英文原文

点击文字或图片阅读相关文章

点亮“星标”是您对我们最大的支持！

版权声明：

本文由施普林格·自然上海办公室负责翻译。中文内容仅供参考，一切内容以英文原版为准。欢迎转发至朋友圈，如需转载，请邮件[e-mail]。未经授权的翻译是侵权行为，版权方将保留追究法律责任的权利。

© 2024 Springer Nature Limited. All Rights Reserved

星标我们🌟，记得点赞、在看+转发哦!