利用深度学习发现数百万种新材料
内容提要
研究人员利用AI工具GNoME发现了220万个新晶体，其中38万个稳定材料有望推动超导体和电池等技术的发展，提升电动汽车和计算机的效率。GNoME的预测结果已向研究界开放，促进无机晶体的研究与实验。
延伸解读
从试错到预测：材料发现范式的转变
传统材料发现依赖反复实验或微调已知结构，耗时数月且成果有限。过去十年，计算方法和数据库仅新增约2.8万种材料。GNoME通过深度学习预测稳定性，将已知稳定材料数量从约4.8万提升至42.1万，并一次性预测220万种新晶体。这标志着材料发现从劳动密集的试错转向AI驱动的大规模预测，有望大幅降低研发成本与周期。
稳定性预测的精度突破与验证
GNoME采用图神经网络和主动学习流程，结合密度泛函理论验证，将稳定性预测准确率从约50%提升至80%，发现效率从不足10%提高到80%以上。外部研究团队已独立合成736种预测材料，证实了模型的可靠性。这种高精度预测意味着研究者可以更信任AI筛选结果，将实验资源集中在最有希望的候选材料上。
对技术应用的潜在影响
在38万种最稳定材料中，包含5.2万种类石墨烯层状化合物（此前仅约1000种）、528种锂离子导体（是先前研究的25倍）以及潜在超导体。这些材料有望推动超导体、下一代电池和电动汽车效率的提升。同时，伯克利实验室的A-Lab利用GNoME预测自主合成了41种新材料，展示了AI引导自动化实验的可行性，加速从预测到应用的转化。
开放数据与协作生态
GNoME的38万种稳定材料预测已贡献给Materials Project数据库并向研究界开放。这种开放策略促进了全球协作：外部团队不仅验证了预测，还独立合成新材料。开放数据降低了研究门槛，使更多实验室能基于AI预测开展实验，有望形成“预测-验证-反馈”的良性循环，推动无机晶体研究整体加速。
Q&A
GNoME工具的主要功能是什么？
GNoME工具主要用于预测新材料的稳定性，从而加速新晶体的发现。
GNoME发现了多少种新材料？
GNoME发现了220万个新晶体，其中38万个被认为是稳定材料。
GNoME的发现对电动汽车有什么影响？
GNoME的发现有助于开发更高效的电池，从而提升电动汽车的性能。
GNoME如何提高材料发现的效率？
GNoME通过使用图神经网络模型，显著提高了材料发现的速度和准确性。
GNoME的预测结果如何被验证？
外部研究人员已独立合成736种GNoME预测的新材料，验证了模型的准确性。
GNoME的研究对环保技术有什么贡献？
GNoME的研究有助于推动更环保的技术发展，如电动汽车电池和高效计算机超导体。
