从青铜时代到工业革命，新材料的发现和开发一直是人类历史的推动力。这些新材料帮助推动了科技进步，塑造了文明。
今天，我们正处于一个新时代的开端，人工智能（AI）似乎处于改变有用材料搜索的完美位置。这似乎将彻底改变它们的研究、创造和测试方法。
在古代，人类文明尝试利用自然资源创造工具和人工制品。公元前4千年中期的青铜时代是一个重要的里程碑。青铜，一种铜和锡的合金，导致了更坚固的工具和武器的发展，以及农业和建筑的进步。
青铜通常被认为是人类创造的第一种“新材料”。我们采用不同的元素，创造出新的东西，比任何一种成分都有更好的性能和独特的品质。公元前3500年左右，玻璃在古代美索不达米亚的发明是另一个开创性的时刻。
快进到20世纪，塑料聚合物、陶瓷和超导体的发现开辟了技术的新领域。陶瓷以其耐用性和耐热性而闻名，成为从航空航天到电子等行业的主要材料。
超导体是一种可以零电阻导电的材料，已经被用于磁悬浮列车、粒子加速器和医疗设备。
人工智能进入战场
寻找有助于推动下一代突破性技术发展的新材料以前是一个漫长而昂贵的过程。这是由于许多材料在原子和分子水平上的复杂性。传统的方法基本上是基于试错，需要专门的设备和资源。
材料发现中固有的不确定性和风险使这一过程进一步复杂化和延长。然而，人工智能的进步，包括人工智能的一个子集 —— 机器学习，正开始改变整个格局，使更有效、更有针对性的方法成为可能。
在机器学习中，被称为算法的数学规则从数据中学习，在没有人为干预的情况下改进任务。
主要的转变是一种基于“生成式”人工智能系统的新方法，它可以创造新的内容。人工智能系统现在可以在提供所需性能和限制条件的情况下直接生产新材料。
本月早些时候，微软的一个团队在《自然》杂志上发表了一篇论文，介绍了一对用于设计无机材料（不以碳元素为基础的材料）的人工智能工具。
这些工具在材料发现中发挥互补作用。它们被称为“MatterGen”和“MatterSim”。第一个程序创建新的候选材料，第二个程序对它们进行过滤和验证，以确保它们可以在现实世界中使用。
可以通过MatterGen结合的特定期望属性包括特定的对称性，或机械，电子和磁性。
与主要依靠直觉（以及广泛而繁琐的实验）的传统方法不同，MatterGen可以在很短的时间内生成数千种具有特定所需特性的潜在材料。
这种以人工智能为主导的方法加速了材料设计的初始阶段。它使研究人员能够探索更广泛的可能性，并专注于最有希望的候选药物。
MatterSim应用严格的计算机分析来预测这些拟议材料的稳定性和可行性。这种预测能力有助于从物理上可行的可能性中筛选出理论上的可能性。这确保了只有稳定的材料才能在发现过程中前进。
盒子里的新工具
在这一点上，我们可能想知道，通过这个过程确定的新材料是什么样子的？MatterSim主要关注晶体，或者更确切地说，是具有特定原子排列的独特晶体结构。
这些结构是量身定制的，以满足精确的性能限制，使其适用于各种应用。这些包括高能电池、柔性电子产品、显示器、太阳能电池板或先进的医疗植入物。
然而，微软这对强大的二人组并不是唯一一个追求这一目标的人。Google DeepMind的材料探索图形网络（Gnome）是另一个有望大幅加快发现过程的工具。
Gnome使用了一种受人类大脑启发的人工智能，称为深度学习。它预测了新材料的稳定性，大大缩短了探索和发现阶段。
在2023年发表的一篇论文中，谷歌DeepMind的研究人员证明，他们的人工智能模型可以识别220万种新的稳定材料。其中约736个已经通过实验实现。
这比以前的方法增加了十倍。这些材料，其中许多以前不为人类化学家所知，在清洁能源、电子等领域有潜在的应用。
即使谷歌的Gnome和微软的MatterGen都是基于人工智能的，但它们的方法不同，在某些方面提供了互补的方法。Gnome通过在现有结构上创建变体来预测新材料的稳定性，并专注于识别稳定的晶体材料。
另一方面，MatterGen采用生成式人工智能模型，根据特定的设计要求直接设计新材料。它通过改变元素、位置和周期晶格（三维重复结构）来创建材料结构。
人工智能驱动的材料发现的影响是巨大的。它们可能会在能源储存和环境可持续性等领域带来创新。例如，最有前途的应用之一是开发新电池。
随着世界向可再生能源过渡，对高效、持久电池的需求已经增长，并将继续增长。人工智能工具可以帮助研究人员设计和识别能够支持更高能量密度、更快充电时间和更长的寿命的新材料。
除了储能，新材料还可用于设计新的医疗设备、植入物甚至药物输送系统。这可以改善病人的治疗效果，推进医学治疗。
在航空航天领域，轻质、耐用的材料可以提高飞机和航天器的性能和安全性。同时，用于水净化、碳捕获和废物管理的新材料可以解决紧迫的环境挑战。
如果朋友们喜欢，敬请关注“知新了了”！
