Google DeepMind：通过深度学习发现了220万种新材料

　　在新的研究中，Google DeepMind的科学家们成功开发了一种名为GNoME的框架，通过这一框架，他们在材料科学领域取得了令人瞩目的成果。材料的发现对于技术进步至关重要，涵盖了从清洁能源到信息处理等各行各业的创新。然而，由于可能的材料组合空间庞大，传统的试错方法变得缓慢、昂贵且劳动密集。为了加速发现过程，研究人员开发了GNoME框架，它结合了图神经网络和主动学习方法。

　　GNoME的关键在于采用了图神经网络(GNNs)，这是一种适用于建模结构化关联数据的神经网络类型。该模型以图的形式接受材料的晶体结构，将原子表示为节点，将键表示为边。模型在连接的原子之间传递信息，捕捉局部环境和远程相互作用。通过在现有材料上训练初始模型，GNoME通过替代和结构扰动逐步生成候选材料。这些候选材料经过模型过滤，考虑了集合预测的不确定性。被过滤的候选材料的能量通过密度泛函理论(DFT)计算进行评估，这是目前最精确的计算方法之一。

　　GNoME的研究人员在多轮的主动学习和模型扩展中对其进行了广泛评估。超过220万种先前未知的稳定晶体结构被发现，扩大了已知材料的前沿。其中，38万种被确认为最稳定的，有望成为实验合成的有力候选。有趣的是，其中736种结构已经在实验室由外部研究人员独立实现。这些发现不仅展示了GNoME的强大性能，还验证了模型的准确性和实用性。

　　除了新材料的发现，GNoME的广泛数据集还为机器学习提供了新的建模能力。通过对弛豫轨迹的分析，研究人员得到了训练原子间势能的无与伦比的范围。预先在GNoME上训练的图网络潜力展现了前所未有的零点准确性，无需任何材料特定的训练，使得能够进行原子分辨率的分子动力学模拟成为可能。这意味着能够通过提供准确而通用的基于物理的模拟来加速许多应用的发现。

　　这项研究展示了通过扩大深度学习规模来改变新材料发现方式的巨大潜力。这些努力将已知稳定材料的边界扩大了近一个数量级，使我们能够探索以前无法访问的组成空间区域。这些创新的发现有望为技术创新提供原料，同时也推动着对材料行为的进一步理解，促使我们能够通过纳米尺度上的工程功能来更加迅速地解决重大社会挑战。跟随GNoME的足迹，继续在机器学习和科学发现方面取得共同进展，可能会带来深远的影响。