人工智能驱动的机器学习平台加速新材料发现与合成

xinxi1368

中新社北京11月30日电 (记者 孙自发)国际知名学术期刊《自然》近日同期发表两篇机器学习研究论文，称人工智能驱动的平台可以提高发现和合成的速度和准确性新型无机化合物。让机器学习算法在新材料的开发中展现出希望。

在人工智能的引导下，机器人创造了材料项目预测的40多种新材料。图片显示来自 GNoME 的数据被用来额外检查这些预测的材料是否稳定（来源：伯克利实验室）。照片由施普林格自然提供

论文称，最近的技术进步提高了计算机程序识别新材料的能力，但这一过程受到学习算法适应与所学知识相反的结果的能力的阻碍，因为新发现本质上需要使用新材料。 ，以创造性方式理解数据的能力。

美国伯克利实验室的“材料项目”为研究人员提供了各种材料的关键信息。该图显示了   数据库中 12 种化合物的结构（来源：Jenny Nuss，伯克利实验室）。照片由施普林格自然提供

在第一篇论文中，该论文的共同通讯作者、美国谷歌的 Ekin Dogus Cubuk 及其合作者提出了一种计算模型，可以通过大规模主动学习来提高材料发现的效率。该程序使用现有文献进行训练，以生成潜在化合物的多种候选结构，然后通过一系列轮次不断完善。这些模型被论文作者称为“材料发现图网络”，已经发现了超过 220 万个稳定结构，将结构稳定性预测的准确性提高到 80% 以上，并将每 100 次试验的成分预测准确性提高到 33%（相比之下）与之前工作中的 1% 相比）。

该材料项目的许多计算都是在伯克利实验室国家能源研究科学计算中心的超级计算机上进行的（来源：伯克利实验室托尔·斯威夫特）。照片由施普林格自然提供

在第二篇论文中，论文的共同通讯作者加州大学伯克利分校的 Ceder 和他的合作者开发了一种自动实验室（A-Lab）系统，该系统基于现有科学文献进行训练，然后与主动学习相结合化合物可创建最多 5 个初始合成配方。然后它可以用机械臂进行实验，合成粉末形式的化合物。如果某个配方的收率低于50%，A-Lab将调整配方并继续实验，当成功达到目标或所有可能的配方都用尽时结束。

经过 17 天的连续实验，A-Lab 进行了 355 次实验，产生了 58 种建议化合物中的 41 种（71%）。论文作者表示，通过对决策算法进行一些小的改变，这个成功率可以提高到74%。如果计算技术能够得到类似的提升，则可以进一步提升到78%。

这两篇机器学习论文的结论是，他们的研究证明了通过将增强的计算能力与基于现有文献的训练相结合，使用学习算法来协助发现和合成无机化合物的前景和潜力。 （超过）