煮字集: AI 推進的新材料開發黃金時代

煮字集: AI 推進的新材料開發黃金時代

AI 推進的新材料開發 (GPT-4 生成)

各種現代科技的發展都依賴無機晶體。在實用上，晶體必須穩定，但要開發一個新的、穩定的晶體，通常都要經過幾個月以上的艱苦實驗。谷歌 (Google) 旗下人工智慧公司 DeepMind 於去年 11月29 日在頂尖期刊《自然》雜誌上發表一篇論文，宣稱利用AI 工具材料探索的圖形網路 (Graph Networks for Materials Exploration ，GNoME ) 發現了 220 萬種潛在新晶體，其中包括 38 萬種有潛力驅動未來技術的穩定材料。據估計，依現今的研發速度， 220 萬顆新晶體的發現，須要近 800 年。另一可供對照的資料，根據世界最大的無機晶體結構資料庫 (Inorganic Crystal Structure Database，ICSD) ，經過全世界科學家百年以上的努力，到去年 10月31日為止，已知結構的無機晶體也僅有 291,382 種。

GNoME 可透過預測新材料的穩定性來顯著提高發現的速度和效率。 而使人類已知的技術上可應用的材料數量幾乎倍增。在其預測的220 萬新晶體中，更有 38 萬個是屬於非常穩定的，這使得它們很有希望為實驗合成。這些候選材料中有可能用來發展未來變革性技術，包括超導體、超級電腦電源，以及提高電動車的效率的下一代電池等。

GNoME 至今已展現了利用 AI 大規模開發新材料的潛力。目前在世界各地實驗室進行的獨立實驗已因此創建了 736 個此類新結構。在同期《自然》雜誌上，與 Google 團隊合作的美國勞倫斯柏克萊國家實驗室 (Lawrence Berkeley National Laboratory，LBNL) 的研究團隊發表的論文中，更進一步展示了如何利用 GNoME 以及其他計算方式預測進行自主材料合成。

該論文報導 LBNL 無機粉末固態合成的自主實驗室 (Autonomous Laboratory ，A-Lab)，使用計算、文獻中的歷史數據、機器學習 (ML) 和主動學習來規劃和解釋使用機器人進行的實驗的結果。透過梳理文獻中已發布的多種合成程序，A-Lab 可以評估每個目標與現有材料的相似性，提出試造新材料所需的成分和反應溫度。機械臂自動從原料架上選擇成分，在加熱爐中進行合成，利用鑑定工具分析產品。

經過17 天的連續運行，A-Lab 從選出的預期穩定的58 個目標中製作出41 種新型化合物，其中包括各種氧化物和磷酸鹽，這些化合物是使用來自LNBL Materials Project 和 Google DeepMind 的大規模從頭計算相穩定性數據進行初步預測。合成配方是由根據文獻訓練的自然語言模型提出的，並使用基於熱力學的主動學習方法進行最佳化。「主動學習」演算法會從失敗的經驗中學習，再重新嘗試。對失敗的合成的分析提供了直接且可行的建議，以改進當前的材料篩選和合成設計技術。實驗的高成功率證明了人工智慧驅動平台在自主材料發現方面的高度效率，並推動了計算、歷史知識和機器人技術的進一步整合。

這兩項發展，無疑的是讓新材料開發達到了一個新境界，讓人對 AI 推進的材料科技發展黃金時代充滿期待。

本文刊載於「工業材料」雜誌第 449集第 29頁 (2024年5月)