“AI+机器人”加速发现新材料
3845
2024-07-24
当今世界，人工智能（AI）无疑是一个备受瞩目的焦点，尤其是像ChatGPT这样的大型语言模型的出现，在全球范围内引发了广泛关注。AI在科研领域的应用日益增多，并且不断深入。2021年《科学》杂志社评选的十大“年度突破”，“AI预测蛋白质结构”就高居榜首（Science, 2021, 374, 1426）。此外，在化学和材料科学领域，AI近年来也取得了显著成就，例如，可以根据分子结构准确预测不同分子的气味（Science, 2023, 381, 999），在没有化学家输入的情况下分析催化反应动力学数据并阐明相应的机理类别（Nature, 2023, 613, 689），设计复杂天然产物的全合成路线（Nature, 2020, 588, 83），为有机反应筛选最佳反应条件（Science, 2023, 381, 965），基于结构预测分子的抗菌活性（Cell, 2020, 180, 688）等。更令人瞩目的是，AI与机器人技术的结合，已经成为实验室的新新成员（Nature, 2020, 583, 237）。这些智能机器人不仅具备灵活的四肢，而且能够全天候工作，每天进行超过20小时的实验。
新材料的发现是一项耗时耗力的工作，正如爱迪生在发明电灯泡的过程中，试验了成千上万种灯丝材料。传统的试错法在寻找新材料时成本极高，这严重制约了新材料的迅速发现。然而，近年来，融合了机器人技术和主动学习策略的自动化探索模式应运而生，得益于人工智能（AI）结合机器人技术以及深度学习在多个领域的突破性进展，它们在材料科学的研究中扮演了关键角色。
谷歌DeepMind的研究团队在《自然》上发表了题为Scaling deep learning for materials discovery（Nature, 2023,624, 80）的重磅文章，深入探讨了如何利用深度学习技术显著加速新材料的发现过程。他们采用的技术名为“材料探索图网络（graph networks for materials exploration, GNoME）”，已经成功预测了220万种新材料的结构，这些结构中有许多并不符合人类科学家的化学“直觉”，已有超过700种在实验室中成功合成。
GNoME能够实现新材料的高效发现
预测材料的存在是一回事，而将它们实际制造出来并验证其应用潜力则是另一项挑战。在传统的人工操作实验室中，开发新材料是一个非常耗时的过程。劳伦斯伯克利国家实验室（LBL）研究者开发了一种名为A-Lab（Nature, 2023,624, 86）的自动化实验室平台，旨在缩短从计算筛选到实验合成新材料的时间差距。A-Lab利用计算模型、历史文献数据、机器学习和主动学习技术，结合机器人自动化，优化新材料的设计和合成流程。
A-Lab平台采用了一些由GNoME和"Materials Project"项目数据发现的材料，通过机器学习模型的训练，能够自主决定合成目标材料的最佳方法，并创建多达五种初始原材料的组合。每次实验完成后，A-Lab会根据实验结果对原材料组合进行调整。在短短17天内，A-Lab完成了355次实验，并成功合成了58种化合物中的41种，包括各种氧化物和磷酸盐。即使是合成失败的案例，也为改进材料筛选和合成设计技术提供了宝贵的反馈和建议，这些信息对于优化现有技术具有直接和实际的应用价值。
基于A-Lab进行自主材料发现
谷歌DeepMind和LBL的研究人员相信，这些新的AI工具能够显著加速能源、计算和其他众多领域的硬件技术进步。特别是新发现的材料种类，它们有望在电池技术、半导体芯片、陶瓷和电子产品等领域引发技术革命，并推动可持续性的进一步发展。传统上，新材料从被发现到实现商业化应用，往往需要数十年的时间。而AI结合机器人技术的应用，能够大大缩短这一周期，这无疑是一项巨大的技术飞跃。