**划重点:**
1. 🌐 谷歌DeepMind的AI系统GNoME预测了近40万种稳定物质，而A-Lab自主系统学会在实验室中制造这些物质。
2. ⚙️ GNoME通过仿真计算提出了220万种潜在化合物，A-Lab则使用最新的机器人技术在18天内制备出41种新型无机材料，其中9种是通过主动学习改进合成过程而获得的。
3. 🌐 这一技术突破有望极大加速清洁能源技术、下一代电子器件等领域的材料发现，标志着AI在科学发现领域的新篇章。
站长之家（ChinaZ.com）12月1日 消息:谷歌DeepMind与机器人技术的结合在材料科学领域取得了重大突破。A-Lab自主系统首次发布了一系列新发现，该系统通过结合机器人技术和人工智能（AI）创造全新材料。A-Lab系统负责为材料设计配方，包括一些可能用于电池或太阳能电池的材料，然后在没有人类干预的情况下进行合成和分析。
与此同时，另一个AI系统GNoME预测了数十万稳定物质的存在，为A-Lab提供了大量未来努力的候选材料。这两项进展共同承诺极大加速清洁能源技术、下一代电子器件等领域的材料发现。谷歌DeepMind的Ekin Dogus Cubuk表示:“我们周围的许多技术，包括电池和太阳能电池，通过更好的材料可能会有很大改进。”
图源备注:图片由AI生成，图片授权服务商Midjourney
通过计算模拟新的无机材料，例如在晶体中原子如何堆积，一些项目试图缩短在实验室中尝试各种材料的时间。然而，这些努力通常只能提出大约4.8万种可能稳定的材料。谷歌DeepMind的GNoME通过使用图网络进行材料探索，经过对来自Materials Project等数据库的数据进行训练，推测已知材料的组成，得出了220万种潜在化合物。在计算这些材料是否稳定以及预测它们的晶体结构后，系统最终产生了38.1万种新的无机化合物，添加到Materials Project数据库中。
GNoME使用多种策略来预测比以前的AI系统更多的材料。例如，它可能只更换材料中所有钙离子的一半，或尝试更广泛范围的不寻常原子交换。如果这些调整不奏效，系统会排除不稳定的材料，并从错误中学习。
然而，预测材料的存在与在实验室中制造它们是两回事。这就是A-Lab的作用所在。LBNL和加利福尼亚大学伯克利分校的材料科学家Gerbrand Ceder领导的A-Lab使用先进的机器人技术混合和加热粉末固体成分，然后分析产品以检查过程是否成功。该系统花费了1800万美元，但最大的挑战在于使用AI使系统真正自主，能够规划实验、解释数据并决策如何改进合成。
A-Lab团队从Materials Project数据库中确定了58种预测为稳定的目标化合物，将其与GNoME数据库进行交叉验证，并将目标交给A-Lab的机器学习模型。通过研究了超过3万份已发表的合成程序，A-Lab可以评估每个目标与现有材料的相似性，并提出制备所需的成分和反应温度。然后，系统从架子上选择成分，进行合成并分析产物。如果通过使用文献启发的配方尝试数次后目标材料不足一半，一种“主动学习”算法将设计更好的程序，然后不知疲倦的机器人重新开始。
A-Lab花了17天时间制备出41种新的无机材料，其中9种是通过主动学习改进合成过程而获得的。而A-Lab未能制造的17种材料大多数是由于实验困难，有些材料最终在人类干预下才被合成。
尽管GNoME等系统可以进行比自主实验室更多的计算预测，但正如利物浦大学创新工厂的Andy Cooper所说:“我们真正需要的是告诉我们要制造什么的计算。”因此，AI系统将不得不准确计算更多预测材料的化学和物理性质。
与此同时，A-Lab仍在运行反应，并将结果添加到Materials Project中，以供世界各地的科学家使用，这一不断增长的资源库可能是系统最大的遗产，Ceder表示:“它本质上是常见固体的反应性图谱。这将改变世界的不是A-Lab本身，而是它所生成的知识和信息。”
（举报）
