科技日报记者刘霞 大约两年前，谷歌子公司Deepthink宣布利用深度学习技术发现了220万种新晶体材料。今年早些时候，微软宣布其AI模型MatterGen可以从头开始生成无机材料，希望颠覆无机材料设计的范式。由人工智能 (AI) 驱动的材料研究新时代似乎已经开始，但随之而来的是批评。批评者认为，一些化合物认为缺乏人工智能，缺乏实用性。人工智能是否会彻底改变材料发现领域，还是会被过度炒作？英国《自然》网站近日报道指出，大多数研究人员认识到人工智能在材料科学领域的巨大潜力，但需要与实验化学家进行深度合作，同时面对人工智能目前的局限性及其不断改进，才能释放其全部威力。人工智能驱动的材料l 设计热潮 在人工智能介入之前，研究人员主要依靠传统的“密度泛函理论”（DFT）计算方法来预测新材料和性能。 DFT 预测了超强磁体和超导体等高质量的新材料。
然而，DFT 的计算量极大，一次筛选数百万种化合物的成本高得难以想象。它凸显了人工智能的价值。 Deepthink开发的“材料探索网络”（GNOME）AI系统一次发现了220万种新的晶体材料，涵盖元素周期表的不同元素，其中包括52,000种此类层状化合物和528种锂离子导体，有望提高可充电电池的性能。劳伦斯伯克利国家实验室开发了 A-lab 机器人系统。该系统通过研究数千篇无机化合物合成论文，掌握了配方设计能力，可以合成化已通过 DFT 预测结构但尚未准备好的化合物。同时A-lab可以控制机器人进行实验，分析产品是否符合标准，必要时调整配方，实现闭环优化。 GNOME 和 A-LAB 论文发表后不久，微软就推出了 AI 工具 Mattergen。相比GNOME，theMatterGen更有针对性，可以直接生成符合设计条件的材质。科学家不仅可以确定材料的类型，还可以设定机械、电学、磁学等性能要求，为精确研发提供有力工具。此外，元界平台公司核心AI团队与佐治亚理工学院合作，聚焦“金属有机框架”（MOF）小材料，预测出100多种具有强二氧化碳吸附能力的MOF结构，为AI加速发展提供支撑。直接空气捕获碳技术。原创性与实用性之争 尽管巨头产业探索势头强劲，但争议并未停止。许多科学家直言，一些人工智能系统想出的化合物既不具有原创性，也不具有实用价值。加州大学圣塔芭芭拉分校的材料科学家 Anthony Cheatham 等人浏览 Deepthink 的假设晶体列表后发现，其 AI 预测的 18000 多种化合物中含有钷和锕等稀有放射性元素，其实用价值可能值得怀疑。英国伦敦大学学院固态化学家罗伯特·帕（Robert Par）在分析A-lab研究结果时，埃尔格雷夫还指出，该项目合成的41种无机化合物中，有些材料描述不正确，也有合成的已知材料。对此，A-lab实验室p工作人员回应称，经过详细复查，证实了A-lab tun的描述，即材料特性可靠，所要求保护的化合物确实已经合成。深度思考发言人表示，Gnome预测的700多种化合物已被其他研究人员独立合成，该模型还指导发现了许多未知的铯基化合物，这些化合物有望应用于光电子和储能领域。微软的 Mattergen 也陷入了争议。在测试过程中，团队被要求推荐具有特定硬度的新材料，他们合成了一种名为“钽铬氧化物”的无序化合物。不过，今年 6 月的一篇预印本论文指出，这份材料早在 1972 年就已首次准备好，并且也包含在 Mattergen 的训练数据中。元界平台公司与佐治亚理工学院合作项目也被问及d.瑞士洛桑联邦理工学院计算化学家贝伦德·斯密特(Berend Smit)通过计算证实，合作项目提出的新材料无法实现直接空气捕获，模型高估了材料结合二氧化碳的能力，部分原因是用于训练的主数据库存在错误。尽管对于实际应用是否需要突破多个层面存在争议，但大多数研究人员仍然认为，经过不断优化，AI模型将有效推动材料科学的发展。为了确保可靠的AI结果，微软团队开发了辅助AI系统Mattersim，专门验证minedMatterGen设计的结构在真实温度和压力条件下是否稳定。但即使人工智能辅助材料发现被证明是有效的，人类仍然面临重大挑战：例如如何根据市场需求优化流程。需求，以及如何实现新材料的规模化生产并将其集成到商业产品中。 Citrine Informatics 的人工智能系统帮助客户优化现有材料和制造流程。公司CEO Greg Mulholland表示，每个客户都有定制的黄水晶模型，这些模型基于专有的客户数据进行训练，同时还融入了研发人员的“化学直觉”，以增强AI判断力。不可否认，社会对新材料的迫切需求将持续推进人工智能在该领域的探索。人类当前面临的许多重大社会挑战都受到物质瓶颈的限制。科学家希望利用人工智能设计出可以大规模生产并真正影响日常生活的先进材料，从而实现人工智能在材料科学领域的价值。
