材料项目可以可视化材料的原子结构。该化合物(Ba₆Nb₇O₂₁)是Gnome计算的新材料之一。它含有钡(蓝色)、铌(白色)和氧(绿色)。

经过科学文献训练的人工智能(AI)与自动化化学平台相结合，已被用于发现和合成无机化合物。研究人员希望人工智能可以用来加速新材料的发现，如可回收塑料和用于更便宜的太阳能电池板的透明导体。

发现能量有利的无机晶体是固态化学的基本焦点，但在没有自动化的情况下识别有前途的新材料可能是具有挑战性和耗时的。

在关于该主题的两篇论文中的第一篇中，谷歌DeepMind的研究人员开发了一种名为“材料探索图网络”(Gnome)的深度学习工具，他们在材料项目开发的一个庞大而多样的数据集上进行了训练，该数据集是由能源部劳伦斯伯克利国家实验室于2011年创建的一个开放访问数据库，并使用它来过滤候选结构

他们表明，通过主动学习改进Gnome算法，他们能够发现220万个稳定的结构，其中包括38.1万个材料项目的新条目。研究人员说，这代表着“比之前所有的发现都要大一个数量级”。

谷歌人工智能研究员、该研究的首席研究员阿米尔·麦钱特(Amil Merchant)解释说:“在这条管道开始的时候，我们得到了大约10%我们正在寻找的材料实际上是稳定的。”“在培训结束时，在这几轮主动学习结束时，这个效率数字一直达到80%。”

Gnome的一些计算结果与材料项目的数据一起用于测试自主实验室(A-Lab)设施，这是第二项研究的重点

伯克利实验室的材料项目为研究人员提供了获取各种材料关键信息的途径。这张图片显示了Materials Project数据库中12种化合物的结构

无机化学自动化

美国劳伦斯伯克利国家实验室(Lawrence Berkeley National Laboratory)的科学家曾燕(Yan Zeng)解释说:“我们试图建立一个可以自行运行的实验室。”曾燕是a - lab的研发人员之一。“我们专注于材料科学中的一个特定问题，即材料的合成，更具体地说，我们专注于一种特定的合成方法;固态反应是制造材料，尤其是无机材料最常用的方法之一。”

A-Lab使用来自科学文献、机器学习和主动学习的历史数据来计划和解释机器人进行的实验结果。在17天的独立运作中，a - lab每天进行21次实验，在58种化合物中产生了41种新化合物;成功率为71%。

“这种固态合成通常需要一个人一到两天的时间来进行一到两次实验……整个过程非常繁琐，在实验室里要花很多时间，如果手工完成，数据测量后也要花很多时间来分析数据——所以这里的效率真的提高了，大约提高了50到100倍，”Zeng解释说。

曾鸣还强调，与人类相比，a - lab具有很高的精度，使其能够以更低的错误率反复重复相同的实验，并能够从过去的数据中学习，通过闭环系统纠正错误。研究人员表示，只要对决策算法进行微小修改，并改进所使用的计算技术，A-Lab的成功率就可以达到近80%。

在人工智能的引导下，a实验室的机器人创造了40多种新的预测材料

美国伊利诺伊大学厄巴纳-香槟分校的化学家马丁·伯克(Martin Burke)对自动化很感兴趣，他说:“这两篇论文共同代表了我们在预测稳定材料并在实验室中将其转化为物理形式的能力上迈出了非常重要的一步，我认为这是一次强有力的连续出击，真正推动了这一重要领域的发展。”

然而，他说，这两项研究的一个重要限制是它们没有产生新的知识。“一个非常重要的问题是，如何将人工智能和自动合成之间的结合转化为发现引擎，以发现新功能和新知识;这将是一个令人兴奋的问题。”

格拉斯哥大学化学学院名誉主席李·克罗宁说，这两篇论文“肯定是一个进步”。“这证明，如果你有一个干净的工作流程，你可以产生新的实验想法，这些想法是一致的。”这些论文显然是高质量的，给人工智能和清洁数据的使用提供了更多动力。”

但我对我们如何走得更远更感兴趣。“有一种危险是，人们会停止做实验，只是继续模拟事物……我们需要看看异常在哪里——当我们能用这些发现异常、意想不到的事情时，会有很多令人兴奋的事情发生。”

茱莉亚以科学通讯员的身份加入了《化学世界》团队 2023年5月到期。在此之前，她花了8年时间领导临床和科学公司 英国皇家药学会(Royal Pharmaceutical Society)的官方期刊《The Pharmaceutical Journal》是药剂师的会员机构。查看完整档案

朱莉娅·罗宾逊报道。

• 

  英国皇家学会以2.5亿英镑的捐赠基金发起的职业中期奖学金

• 

  十年来，欧盟投入10亿欧元将石墨烯推向市场的赌博进展如何?

• 

  瑞士重新加入欧洲地平线的谈判开始了