秒杀博士能在实验室00717天干完一个研究生几十年的活
发布时间： 2023-12-18作者: 解决方案
搭载AI算法“材料探索图形网络”的自动化实验室 A-Lab 图片来自：伯克利实验室Marilyn Sargent
新技术往往需要新材料。对于材料科学家们来说，从头发现并在实验室合成一种新材料所需要的时间，通常是以年为单位来计算的。现在，借助 AI、数据库和强大的硬件设施，研究者们在寻找新材料时，不必再费时费力地从头“猜”起了。
近日，上线的两篇《自然》（Nature）论文报告称，谷歌AI实验室 DeepMind开发的深度学习工具“材料探索图形网络”（Graph Networks for Materials Exploration, GNoME）不仅成功预测了近 40 万种能够稳定存在的无机化合物的结构和特性，还能够进入实验室，在 17 天内全自动合成了 41 种新无机化合物，相当于做完了一名博士研究生几十年的工作量。
这个能秒杀博士生的 AI 得益于一个世界上使用最广泛的无机材料数据库——“材料计划”（Materials Project）。该数据库于 2011 年由美国能源部劳伦斯·伯克利实验室（Lawrence Berkeley National Laboratory）建立，记录了数十万种结构和分子的数百万种属性，拥有 40 多万注册用户，平均天天都会有 4 篇以上引用该数据库的新论文发表。
在无机材料科学家十余年积累的帮助下，谷歌 DeepMind 团队利用“材料计划”收录的庞大数据和工作流程来训练 GNoME，并通过主动学习来改进 GNoME 的算法，将结构稳定预测的精确性提高到 80% 以上，并令预测成分时每 100 次实验的精确度从 1% 提高到 33%。最终，这个材料学 AI 产生了 220 万个全新晶体结构，并且为“材料计划”数据库贡献了 38 万个已经通过稳定性预测的新化合物，扩大了研究人能利用的信息量。
材料项目可以将材料的原子结构可视化。这种化合物（Ba₆Nb₇O₂₁）是 GNoME 计算出的新材料之一。它包含钡（蓝色）、铌（白色）和氧（绿色）。图片来自伯克利实验室材料项目
更重要的是，GNoME 的贡献并非纸上谈兵，它的发现已经得到了实际验证。DeepMind 材料发现（Material Discovery）团队负责人 Ekin Dogus Cubuk 表示，已经有外部研究人员通过独立的物理实验，实际验证了至少 736 种 GNoME 创造的新材料的存在。
“如果我们要应对全球环境和气候挑战，就必须创造新材料，”研究资深作者、伯克利实验室材料计划数据库的负责人、加州大学伯克利分校教授 Kristin Persson 表示，“通过材料创新，我们就能够开发可回收塑料，回收利用废弃能源，制造更好的电池，并建造更便宜、使用寿命更长的太阳能电池板等等。”
GNoME 不仅能预测结构，还能在硬件设备完善的情况下“亲自做实验”，让新材料的发现速度成百上千倍地增长。今年 2 月，一个名为 A-Lab 的自动化实验室在伯克利启用，旨在快速寻找和跟踪用于电池和储能等领域的新材料。在这里，AI 指导的机器人是实验台前的主力。当人类学者或 AI 确定了目标材料，一系列机器人就会在 A-Lab 中执行合成该材料的步骤。这个实验室的系统被设计为一个“闭环”，这意味着它能够在没有人为干预的情况下自动决策，昼夜不停地运行。
A-Lab 可以帮助确定和快速跟踪多个研究领域的材料，包括电池、储能、太阳能电池、燃料电池等。视频来自伯克利实验室
A-Lab 为验证 GNoME 的实际生产力提供了绝佳的平台。在伯克利实验室的超级计算机上，研究人员根据现存科学文献训练 GNoME，随后结合主动学习，可针对拟定化合物创造最多 5 个初始合成配方。随后它会指挥机器臂执行实验，合成粉末形态的化合物。如果一个配方产量低于 50%，A-Lab 会调整配方继续实验，在成功达到目标或穷尽所有可能配方后结束。
经过 17 天的连续工作，A-Lab 进行了 355 次实验，合成了 58 个拟定化合物中的 41 个，成功率达到了 71%，平均每天产出的新化合物数量在 2 个以上。要知道，人类研究人员可能需要长达数月乃至数年的计算和实验才能完成一种新材料的合成。该研究的作者指出，对 A-Lab 的决策算法做一些小改动，这一成功率还可提高到 74%，如果计算技术能得到同样改进，还能进一步提高到 78%。
人工智能的引导下，机器人创造出了材料项目预测的 40 多种新材料。来自 GNoME 的数据被用作额外检验这些预测材料是否稳定。来源：论文
实际上，几乎在伯克利实验室 A-Lab 启用的同一时间，类似的“机器化学家”也出现在了中国学者的实验室里。《文汇报》今年 4 月的报道称，中科院上海有机化学研究所正在对新搭建的 AI 化学试验线进行测试。这项实验设施与 A-Lab 类似，在 AI 助手的辅助下，全部程序性实验操作都交由机器完成，人类研究者能够直接获取实验数据。一位博士生花五年时间才能获得的数据，在这里只需一个月就能完成。此外，实验不会受到个人的实验技术水平、心情好坏、数据偏好等影响，可以保证实验数据规范准确。如果测试顺利，这条 AI 化学试验线此时应该已经投入使用了。
对于新材料研发来说，不论是结构模拟预测，还是实验室中的合成分析，都需要一线研究人员反复摸索和调试，在“预测—分析—改进—再实验”的周期中，科学研究变成了一种劳动密集型工作，“体力活”成了其中占比相当大的部分。
AI 化学家的出现有望颠覆当前的材料研发范式，将人类的双手从实验台前解放出来。“AI 科研助手+操作机器人+智能实验环境+可信多方协作”的高效迭代将令材料研发速度提升成百上千倍，还能防止年轻人的科研兴趣不被枯燥重复的实验所消磨，让他们能将更多精力投入到对科学问题的思考中。
尽管在 AI 化学家的“衬托”下，人类显得既缓慢又笨拙，但仍有不少研究者认为，在日常科研训练中，学生仍需要学会动手做实验，善于发现实验中的“秘密”。因为基础研究中的许多重大发现，往往就隐藏于“异常”的实验结果中。AI 化学家的介入可能会屏蔽学生对实验现象的观察，这对于科研训练来说是一种隐性损失。
另一方面，AI 目前还无法主动思考实验过程中的机理，AI 介入的科研仍需要人类来完成最核心的推理与思考。未来，独立思考能力或许比“会做实验”更为重要。
伯克利实验室“材料项目”为研究人员提供了各种材料的关键信息。这张图展示了材料项目数据库中12种化合物的结构。图片来源：伯克利实验室
对于 GNoME 和 A-Lab，伯克利实验室“材料计划”负责人 Persson 有着更高的期待：不仅要让 AI 生成的开源数据为全球材料设计研发加速，还要向全世界的科学家宣传算法能够提供的好处和助力。不过，当前的 GNoME 依然在预测与实际合成结果之间存在一定差距，A-Lab 也只能合成粉末形式的无机材料，产出能力仍然有限。研究者们希望，未来可通过更多的实验数据进一步提高GNoME 算法的准则性和可靠性，同时扩展 A-Lab 的微观结构和器件性能等硬件设备，令其最终成为一个真正的“完全自主型”新材料发现与合成实验室。