谷歌DeepMind的人工智能平台–材料探索图形网络(GNOME)预测，将存在超过200万种新材料，其中700种已被送往实验室进行合成和进一步测试。
谷歌DeepMind的材料发现负责人Dogus Cubuk解释了这项研究的目的，发表在《自然》杂志上虽然材料在几乎所有技术中都发挥着非常关键的作用，但我们人类只知道数万种稳定的材料。
GNOME的运作方式类似于DeepMind的AlphaFold蛋白质折叠系统，后者为生物研究和药物发现带来了革命性的变化。
人工智能工具采用两个深度学习模型来生成和评估数十亿种潜在的材料结构，其中包括42.1万种稳定材料。
到目前为止，GNOME发现的材料是集体研究确定的材料的数倍。来源：DeepMind。
作为这项研究的一部分，DeepMind与劳伦斯·伯克利国家实验室合作开发了一种自主实验室被称为A-Lab。它利用GNOME的发现，将机器人学与机器学习相结合，开发出GNOME识别的新材料。
伯克利实验室的Kristin Corpson解释了GnoME如何加速研究过程：“如果你运气不好，可能需要几个月甚至几年的时间（来制造材料）。但A实验室并不介意失败它一直在尝试和尝试”。
在实际应用方面，A-Lab可能会发现可用于清洁能源、计算机和其他高科技行业的材料。
更多关于研究
传统的材料发现方法涉及科学家手动组合元素周期表中的元素，经常修改现有结构以发现新的结构。
这是极其耗时和低效的，因为有大量可能的组合，而且预测大规模成功率的能力有限。
DeepMind将机器学习应用到这一过程中，实现了对数百万种化合物的迭代发现和测试。
- 采用两种深度学习模型的创新方法DeepMind设计了两个创新的深度学习模型。第一个模型的任务是通过修改已知材料中的元素来生成超过10亿种可能的材料结构。第二个模型完全根据物质的化学公式预测了物质的稳定性，而不依赖于现有的物质结构。
- 使用GNOME模型进行分析和过滤：这两个模型产生的大量候选结构是通过DeepMind的GNOME系统处理的。GNOME评估了每个结构的分解能，这是材料稳定性的关键指标。稳定的材料(即不易分解)被认为更具有工程和实际应用价值。
- 迭代学习和精度改进每一轮的预测和分析都输入到下一轮，提高了系统的准确性和效率。最初，GnoME对材料稳定性的预测精度约为5%。然而，这种精度随着每次迭代而迅速提高，第一个模型达到80%以上，第二个模型达到33%。
- A—Lab中的合成和验证：在材料发现之后，伯克利实验室的自主实验室，名为A-Lab，决定了如何创造拟议的材料。每次实验后，A-Lab都会根据结果调整其配方。他们成功地从58个化合物中合成了41个。
这项研究来自一个 11月早些时候的类似研究在那里，研究人员建立了一个自主的人工智能机器人实验室，开发了一种催化剂，以最少的人类输入生产氧气。这将使机器人能够在人类到达之前，在火星等其他行星上创造氧气。
DeepMind的工作有助于选择越来越多的研究，说明人工智能如何快速扩大复杂材料和化合物的研究和生产。这无疑是这项技术的关键优势之一。
