本文为1580字，建议阅读4分钟，
今天，在《自然》杂志上发表的一篇论文中，google deepmind推出了用于材料探索的图人工智能网络 (GNoME)，这是一种新的深度学习工具，可通过预测新材料的稳定性来显着提高发现的速度和效率。
DeepMind 利用其深度学习工具：GNoME，发现了超过 220 万种新的晶体材料。 这相当于近 800 年来人类所积累的知识量。 其中，大约 38 万种被认为是稳定的。 这展示了AI在新材料方面前所未有的预测规模和准确性。这将推动材料发现革命。 DeepMind 公开了他们发现的这些新材料的数据，这样其他科学家就可以用这些信息来进行自己的研究和实验。 这项工作展示了利用人工智能在材料科学领域进行创新和发现的巨大潜力。 主要发现和成就：
1、新晶体的发现：GNoME 预测了 220 万种新晶体，其中 38 万种被认为是最稳定的，是实验合成的有希望的候选材料。
2、潜在应用：这些材料有潜力用于开发未来变革性技术，如超导体、超级计算机和下一代电池，以提高电动汽车的效率。
3、AI 在材料发现中的潜力：GNoME 展示了使用 AI 在大规模上发现和开发新材料的潜力。全球实验室的外部研究人员已经独立地实验制造了其中的 736 种新结构。
GNoME 的工作原理：
1、图神经网络（GNN）：GNoME 使用了一种称为图神经网络的先进 AI 技术。这种网络模拟了原子间的连接，非常适合用于分析和预测晶体材料的结构和稳定性。
2、数据训练：GNoME 最初使用从 Materials Project 等公开数据库中获取的关于晶体结构和稳定性的数据进行训练。
3、结构和组成流程：GNoME 通过两个主要流程来发现新材料。结构流程基于已知晶体的结构创建候选物，而组成流程则基于化学公式进行更随机的探索。
4、密度泛函理论（DFT）计算：GNoME 的预测结果会通过密度泛函理论进行评估，这是一种在物理、化学和材料科学中用于理解原子结构的计算技术。
5、主动学习：GNoME 采用了一种称为“主动学习”的训练过程，通过这个过程，AI 生成的晶体结构预测被 DFT 测试，然后将高质量的训练数据反馈到模型中，从而提高预测的准确性。
GNoME意义：
1、加速材料发现：GNoME 能够快速预测新材料的稳定性，这比传统的实验室方法快得多，也更高效。
2、扩大材料数据库：GNoME 的发现大大扩展了人类已知的稳定材料数量，从而为未来技术的发展提供了更多可能性。
3、推动技术创新：GNoME 发现的新材料可能用于开发新的超导体、电池和其他先进技术，这对于推动科技进步和解决能源问题具有重要意义。
4、促进科学研究：DeepMind 公开了 GNoME 的发现，使全球科学家可以利用这些数据进行进一步的研究和实验，加速材料科学的整体进展。
GNoME 的开发和应用不仅展示了 AI 在材料科学中的巨大潜力，而且为未来的科技创新和可持续发展打开了新的可能性。
数据库发布： DeepMind 已经向研究社区发布了新发现的晶体数据库，提供了新候选材料的完整目录，帮助科学家测试并可能制造最佳材料
基于这些晶体的新技术的快速开发将取决于它们的制造能力。在伯克利实验室的合作者领导的一篇论文中，研究人员表明机器人实验室可以利用自动合成技术快速制造新材料。利用材料项目中的材料和 GNoME 对稳定性的见解，自主实验室创建了晶体结构的新配方，并成功合成了超过 41 种新材料，为人工智能驱动的材料合成开辟了新的可能性。
A-Lab，伯克利实验室的一个设施，人工智能指导机器人制造新材料。照片来源：玛丽莲·萨金特/伯克利实验室
自然文章：
https://www.nature.com/articles/s41586-023-06735-9
github数据集：
https://github.com/google-deepmind/materials_discovery
⭐星标AI寒武纪，好内容不错过⭐
用你的赞和在看告诉我～
生化环材的春天？👇👇