【智快網(wǎng)】12月1日消息，谷歌旗下DeepMind最近在《自然》期刊上推出了一項名為GNoME的人工智能工具，并詳細介紹了其在材料科學領(lǐng)域的應用。

據(jù)悉，DeepMind利用GNoME成功發(fā)現(xiàn)了220萬種新型晶體，其中有38萬種被認為是穩(wěn)定材料，可在實驗室中制備，有望應用于電池和超導體等領(lǐng)域。

目前在國際晶體結(jié)構(gòu)數(shù)據(jù)庫(ICSD)中，大約有2萬種晶體被認為處于“穩(wěn)定態(tài)”，而之前諸如Materials Project等研究團隊通過各種計算方法發(fā)現(xiàn)了2.8萬種晶體。然而，DeepMind認為，盡管業(yè)界對計算方法進行了改進以加速新晶體結(jié)構(gòu)的發(fā)現(xiàn)，但時間和金錢成本仍然相當高昂。

DeepMind的新工具GNoME據(jù)稱突破了以往的計算方法，能夠準確預測一系列穩(wěn)定的晶體結(jié)構(gòu)，并從中生成了220萬種新材料。DeepMind聲稱，僅憑人工計算這些材料將需要800年的時間。

GNoME模型的開發(fā)效率極高，該模型成功設(shè)計了5.2萬種新型石墨烯層狀化合物，而在此之前，人類只鑒定出約1000種類似的材料。此外，GNoME還發(fā)現(xiàn)了528種潛在的鋰離子導體，其導電能力可達之前材料的25倍。科學家認為，僅這些發(fā)現(xiàn)就有望改善當前電子產(chǎn)品中的電池性能。

DeepMind提到，GNoME采用兩種策略來尋找材料，一是根據(jù)已知晶體結(jié)構(gòu)創(chuàng)造候選物，另一是基于化學公司，以更隨機的方式探索候選物結(jié)構(gòu)。該模型通過神經(jīng)網(wǎng)絡同時處理和分析這兩種方法的輸出，使用密度泛函理論(Density Functional Theory)進行評估候選物的穩(wěn)定性。同時，通過一種稱為“主動學習(Active Learning)”的方法提高了晶體預測的準確性和效率，顯著增加了新材料的發(fā)現(xiàn)速度和成功率。

GNoME模型的目標是降低發(fā)現(xiàn)新材料的成本。據(jù)了解，全球科學家已在實驗室中制造出了736種GNoME預測的新材料，證明了其在實際應用中的準確性和可行性。目前，DeepMind已公開了GNoME新發(fā)現(xiàn)的晶體數(shù)據(jù)庫，以協(xié)助科研人員測試和制備候選材料。