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。

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。"