新技术通常需要新材料——借助超级计算机和模拟，研究人员不必费力地通过低效的猜测来从头开始发明它们。

材料项目是一个开放访问数据库，于 2011 年在劳伦斯伯克利国家实验室(伯克利实验室)建立，用于计算已知和预测材料的特性。研究人员可以专注于未来技术的有前途的材料 - 考虑提高汽车燃油经济性的更轻的合金，提高可再生能源的更高效的太阳能电池，或用于下一代计算机的更快的晶体管。

现在，Google DeepMind(谷歌的人工智能实验室)正在向材料项目贡献近 400,000 种新化合物，扩大了研究人员可以利用的信息量。该数据集包括材料的原子如何排列(晶体结构)及其稳定性(形成能)。

“如果我们要应对全球环境和气候挑战，我们就必须创造新材料，”伯克利实验室材料项目创始人兼主任、加州大学伯克利分校教授克里斯汀·佩尔森说。“通过材料创新，我们有可能开发可回收塑料、利用废弃能源、制造更好的电池、制造更便宜、使用寿命更长的太阳能电池板等等。”

为了生成新数据，Google DeepMind 开发了一种名为“材料探索图网络”(GNoME)的深度学习工具。研究人员使用 Materials Project 十多年来开发的工作流程和数据来训练 GNoME，并通过主动学习改进了 GNoME 算法。GNoME 研究人员最终生产了 220 万个晶体结构，其中包括 380,000 个，他们正在将其添加到材料项目中，并预测它们是稳定的，这使它们在未来的技术中具有潜在的用途。谷歌 DeepMind 的新结果今天发表在《自然》杂志上。

GNoME 的一些计算与材料项目的数据一起用于测试A-Lab，这是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。A-Lab 的第一篇论文今天也发表在《自然》杂志上，表明自主实验室可以以最少的人力投入快速发现新材料。

经过 17 天的独立运作，A-Lab 成功生产了 58 种新化合物中的 41 种，即每天生产两种以上新材料的速度。相比之下，人类研究人员如果最终能够获得所需的材料，可能需要花费数月的猜测和实验才能创造出一种新材料。

为了制造材料项目预测的新型化合物，A-Lab 的人工智能通过梳理科学论文并利用主动学习进行调整，创建了新的配方。来自 Materials Project 和 GNoME 的数据用于评估材料的预测稳定性。

A-Lab 的首席研究员、伯克利实验室和加州大学伯克利分校的科学家 Gerd Ceder 表示：“我们的成功率达到了惊人的 71%，而且我们已经有了一些方法来提高它。” “我们已经证明，将理论和数据与自动化相结合会产生令人难以置信的结果。我们可以比以往更快地制造和测试材料，并且向材料项目添加更多数据点意味着我们可以做出更明智的选择。”

材料项目是世界上使用最广泛的无机材料信息开放获取存储库。该数据库拥有数十万个结构和分子的数百万个属性，这些信息主要在伯克利实验室的国家能源研究科学计算中心处理。该网站注册用户超过 40 万人，平均每天发表超过四篇引用材料项目的论文。谷歌 DeepMind 的贡献是自材料项目开始以来，对结构稳定性数据的最大贡献。

“我们希望 GNoME 项目能够推动无机晶体的研究，”Google DeepMind 材料发现团队的负责人 Ekin Dogus Cubuk 说。“外部研究人员已经通过并行、独立的物理实验验证了超过 736 种 GNoME 的新材料，证明我们模型的发现可以在实验室中实现。”

材料项目现在正在处理来自 Google DeepMind 的化合物并将其添加到在线数据库中。新数据将免费提供给研究人员，并提供给与材料项目合作的 A-Lab 等项目。

“我真的很兴奋，人们正在使用我们所做的工作来产生前所未有的材料信息，”佩尔森说，他也是伯克利实验室分子铸造厂的主任。“这就是我对材料项目的初衷：不仅让我生成的数据免费并可用于加速世界的材料设计，而且还告诉世界计算可以为您做什么。他们可以比单独的实验更有效、更快速地扫描大空间，寻找新的化合物和特性。”

通过跟踪过去十年材料项目数据中的有希望的线索，研究人员已经通过实验证实了多个领域新材料的有用特性。一些显示出使用潜力：

碳捕获(从大气中提取二氧化碳)

作为光催化剂(响应光而加速化学反应的材料，可用于分解污染物或产生氢气)

作为热电材料(可以帮助利用废热并将其转化为电能的材料)

作为透明导体(可能在太阳能电池、触摸屏或 LED 中有用)

当然，找到这些有前景的材料只是解决人类一些重大技术挑战的众多步骤之一。

“制造材料不适合胆小的人，”佩尔森说。“一种材料从计算到商业化需要很长时间。它必须具有正确的属性，在设备内工作，能够扩展，并且具有正确的成本效率和性能。材料项目和 A-Lab 等设施的目标是利用数据，实现数据驱动的探索，并最终为公司提供更可行的目标。”