今天为大家介绍的是来自Mark Peplow的一篇文章。目前来自DeepMind的工具预测出近40万种稳定物质，一个自主系统学会了如何在实验室制造这些物质。
一个结合机器人技术和人工智能（AI）的自主系统成功创造了全新材料，并公布了其首批发现。这个名为A-Lab的系统，能够设计出各种材料的配方，其中一些可能用于电池或太阳能电池。它能自行完成材料合成并分析产物，整个过程无需人类干预。与此同时，另一个AI系统预测出数十万稳定物质的存在，为A-Lab未来的研究提供了众多候选目标。这两项技术的结合预示着在清洁能源技术、下一代电子产品及其他应用领域的材料发现速度将大幅加快。谷歌DeepMind伦敦团队的材料发现组负责人Ekin Dogus Cubuk表示：“围绕我们的许多技术，包括电池和太阳能电池，都能通过更好的材料得到显著改善。”这些研究成果已在《自然》杂志上发表。康奈尔大学AI for Science研究所的联合主任Carla Gomes表示：“科学发现是AI的下一个前沿领域，这让我觉得非常兴奋。”
在几个世纪的实验室工作中，化学家们合成了数十万种无机化合物——通常是指不基于有机化学特征的碳原子链的材料。然而研究表明，仍有数十亿相对简单的无机材料有待发现。面对这个挑战，许多项目试图通过计算模拟新无机材料并计算其属性（如原子在晶体中的排列方式）来加速探索。这些努力包括位于加利福尼亚伯克利的劳伦斯伯克利国家实验室（LBNL）的Materials Project，它们共同预测了约48,000种可能稳定的材料。谷歌DeepMind采用了一个名为材料探索图网络（GNoME）的AI系统，将这种方法发展到了一个新的规模。GNoME通过从Materials Project和类似数据库中提取的数据进行训练，调整已知材料的组成，提出了220万个潜在化合物。经过计算这些材料的稳定性并预测它们的晶体结构后，该系统最终增加了381,000种新无机化合物到Materials Project数据库。
GNoME使用了几种策略来预测更多材料，这些策略超出了以往AI系统的范围。例如，它可能不是将材料中的所有钙离子替换为镁，而是只替换一半，或尝试更广泛的不寻常原子替换。即使这些调整不成功也没关系，因为系统会淘汰掉不稳定的部分，并从错误中学习。Gomes评论说：“这就像是用于材料发现的ChatGPT。”
预测材料的存在是一回事，但在实验室实际制造它又是另一回事。这就是A-Lab发挥作用的地方。伯克利国家实验室（LBNL）和加州大学伯克利分校的材料科学家Gerbrand Ceder领导的A-Lab团队表示：“我们现在有能力快速制造出我们通过计算得到的新材料。”A-Lab位于LBNL，使用最先进的机器人技术混合和加热粉末固体原料，然后分析产品以检查过程是否成功。这套价值200万美元的装置花了18个月时间建造。但最大的挑战在于使用AI使系统真正自主，使其能够规划实验、解读数据并决定如何改进合成过程。Ceder说：“看机器人操作非常有趣，但真正的创新在于其内部机制。”
Ceder的团队从Materials Project数据库中选出了58种预测为稳定的目标化合物，并与GNoME数据库进行了对照，然后将这些目标交给了A-Lab的机器学习模型。通过分析超过30,000个已发表的合成程序，A-Lab可以评估每个目标与现有材料的相似性，并提出制造它所需的原料和反应温度。然后，系统从货架上选择原料，执行合成并分析产品。如果使用文献中的配方进行多次尝试后，产品中目标材料的含量不到一半，则一个“主动学习”算法会设计出更好的程序，而不知疲倦的机器人会重新开始。
总体而言，A-Lab用了17天时间制造出了41种新的无机材料，其中9种是在主动学习改进了合成方法后才创造出来的。在A-Lab未能制造的17种材料中，大多数因实验困难而失败。在人类介入之后一些材料最终被成功合成。
然而，像GNoME这样的系统可以做出比即使是自主实验室也跟不上的更多计算预测。正如利物浦大学材料创新工厂的学术总监Andy Cooper所说：“我们真正需要的是计算出我们该制造什么。”为此，AI系统将不得不更准确地计算出预测材料的更多化学和物理属性。与此同时，A-Lab仍在工作，并将结果添加到Materials Project中，以便世界各地的科学家利用这些数据来指导自己的工作。Ceder说，这个不断增长的数据库可能是该系统最大的遗产：“这本质上是一个普通固体反应性的庞大知识地图。真正改变世界的不是A-Lab本身，而是它生成的知识和信息。”
Mark Peplow. ChatGPT for chemistry: AI and robots join forces to build new materials.Nature. doi:
https://doi.org/10.1038/d41586-023-03745-5
