Nature｜谷歌DeepMind团队基于AI与机器人打造新型材料

2023年11月29日，谷歌DeepMind团队在Nature杂志上发表文章Scaling deep learning for materials discovery，介绍了其在材料科学领域取得的重要突破。Nature同期文章Google AI and robots join forces to build new materials对此进行了评述。

自主材料发现系统：A-Lab

谷歌DeepMind团队将人工智能与机器人结合在一起创造了全新材料的自主系统--A-Lab。通过理论、数据与自动化相结合，它能设计、制造出包括用于电池或太阳能电池等领域的材料配方，并进行分析、合成，所有这些过程完全无需人工干预。

图1 A-Lab的材料发现流程示意图

对于向A-Lab提出的每种化合物，ML 模型会生成多达五个初始合成配方，该模型已学会通过对从文献中提取的大型合成数据库进行自然语言处理来评估目标"相似性"，模仿人类根据与已知相关材料的类比进行初始合成尝试的方法。然后，根据文献中的数据训练的第二个ML模型会提出一个合成方法。如果这些由文献启发的配方未能为所需目标产生 >50%的产率，A-Lab将继续使用固态合成自主反应路线优化（ARROWS3）进行实验，直到获得多数的目标或A-Lab可用的所有合成配方全部用完。

A-Lab使用三个集成站进行样品制备、加热和表征，并通过机械臂在三个站之间传送样品和实验器皿。第一个工作站分配和混合前驱体粉末，然后将其转移到氧化铝坩埚中。第二站的机械臂将这些坩埚装入四个可用箱式炉中的一个进行加热（方法）。待样品冷却后，另一个机械臂将其转移到第三站，在那里将样品研磨成细粉，并通过XRD进行测量。

对于每个样品，通过自动Rietveld分析确认ML识别的阶段，并将所得重量分数报告给A-Lab的管理服务器，以便在必要时为后续的实验迭代提供信息，以寻找具有高目标产率的最佳配方。

实验合成结果

使用所述工作流程，A-Lab在17天的连续实验中合成了58个目标化合物中的41个，成功率为71%。并且只需对实验室的决策算法进行小幅修改，这一成功率就可以提高到74%。如果计算技术也得到改进，则可以进一步提高到78%。

在 A-Lab 合成的41种材料中，有35种是利用根据文献合成数据训练的ML模型提出的配方合成的。

图2 DFT 预测材料的定向合成结果

这一高成功率（71%）是通过将机器人技术与以下方面相结合实现的：(1) DFT 计算数据，用于调查前体、反应中间体和最终产物的能量状况；(2) 通过文本挖掘合成数据训练的 ML 模型获得的合成程序启发式建议；(3) 对实验数据的 ML 解释； (4) 改进失败合成程序的主动学习算法。这项研究还揭示了增强实验室主动学习算法的几个机会，即解决反应动力学缓慢导致的失败，从而使在线解决方案的成功率提高到74%。

这项研究证明，自主研究代理可以显著加快材料研究的步伐。

“材料探索图网络”（GNoME）

该团队研发的另外一个人工智能系统“材料探索图网络”（GNoME）成功预测出数十万种可以在自然界稳定存在的材料，为 A-Lab提供了大量的候选材料。

图3 GNoME 能够实现高效的发现

经过几个世纪艰苦的实验室工作，化学家们已经合成了几十万种无机化合物。然而，研究表明，仍有数十亿种相对简单的无机材料待发现。

在本文中，研究人员通过大规模主动学习扩大了机器学习在材料探索中的应用，首次建立了可准确预测稳定性的模型，从而为材料探索提供指导。

本研究的方法依赖于两大支柱：首先，研究人员建立了生成多种候选结构的方法，包括新的对称感知部分置换（SAPS）和随机结构搜索。其次，采用了最先进的图神经网络（GNN），该网络可根据结构或成分改进材料特性建模。在一系列回合中，这些用于材料探索的图神经网络（GNoME）根据现有数据进行训练，并用于过滤候选结构。通过 DFT 计算筛选出的候选结构的能量，既可验证模型预测，又可作为数据飞轮，在下一轮主动学习中在更大的数据集上训练更稳健的模型。

通过这种迭代程序，GNoME对已知材料的成分进行了调整，得出了220万种潜在化合物。在计算了这些材料是否稳定并预测了它们的晶体结构后，该系统最终得出了38.1万种新的无机化合物。

图4 GNoME 预测的材料之一 Ba6Nb7O21 的晶体结构。钡为蓝色，铌为灰色，氧为绿色。

最重要的是，GNoME采用了多种策略，预测出了比以往人工智能系统更多的材料。例如：GNoME不会把材料中所有的钙离子都换成镁离子，而是只用一半的钙离子代替，或者尝试更多不同寻常的原子交换。如果这些调整不成功也没关系，因为系统会剔除任何不稳定的因素，并从错误中吸取教训。

研究人员通过优化算法，最终将GNoME稳定预测的精确度提高到80%以上（结构预测）和33%以上（仅成分预测）。

参与了这两项研究的DeepMind材料发现团队负责人Ekin Dogus Cubuk说：“这些进展加在一起，有望大大加快清洁能源技术、下一代电子产品和大量其他应用材料的发现。我们身边的很多技术，包括电池和太阳能电池，都可以通过更好的材料得到真正的改进。”

A-Lab 团队负责人Gerbrand Ceder 说：“预测一种材料的存在是一回事，但要在实验室里真正制造出来又是另一回事。这就是 A-Lab的作用所在。A-Lab 位于LBNL，使用最先进的机器人技术混合和加热粉末状固体成分，然后分析产品，检查程序是否有效。这个耗资200万美元的装置历时18个月建成。但最大的挑战在于如何利用人工智能使系统真正自主，从而能够规划实验、解释数据并就如何改进合成做出决策。”

英国利物浦大学材料创新工厂学术主任Andy Cooper说：“尽管如此，像GNoME这样的系统显然可以进行更多的计算预测，即使是自主实验室也跟不上。我们真正需要的是能告诉我们该做什么的计算。为此，人工智能系统必须精确计算更多预测材料的化学和物理特性。”

Ceder补充道：“与此同时，A-Lab仍在运行反应，并将把结果添加到材料项目中，以便世界各地的科学家可以利用它们为自己的工作提供信息。它本质上是一张普通固体反应性的地图。这将改变世界--不是A-Lab本身，而是它所产生的知识和信息。”

参考资料：

1、https://www.nature.com/articles/s41586-023-06734-w

2、https://www.nature.com/articles/s41586-023-06735-9

3、https://www.nature.com/articles/d41586-023-03745-5