AI推動材料研究的時代來了？

科技日報記者 劉霞

約兩年前，谷歌旗下深度思維公司宣佈，借深度學習技術發現220萬種新型晶體材料。今年初，微軟宣稱其AI模型MatterGen能從零生成無機材料，有望顛覆無機材料設計範式。

人工智能（AI）推動材料研究的新時代似乎已開啓，但批評聲也隨之而來。批評者認為部分AI設想的化合物缺乏原創性、實用性不足。AI會徹底改變材料發現領域，還是會淪為過度炒作？英國《自然》網站日前一則報道指出，多數研究者認可AI在材料科學的巨大潛力，但需與實驗化學家深度合作，同時正視當前AI侷限並持續改進，方能釋放其全部能量。

AI驅動材料設計熱潮

在AI介入前，研究人員主要依賴“密度泛函理論”（DFT）這一傳統計算方法預測新材料及性質。DFT曾預測出超強磁體、超導體等優質新材料。

但DFT計算量極大，若要一次性篩選數百萬種化合物，成本高到難以想象，AI的價值就此凸顯。深度思維公司開發的“材料探索圖網絡”（GNoME）AI系統，一次性發現220萬種新型晶體材料，涵蓋元素週期表多種元素，其中包括5.2萬種類似石墨烯的層狀化合物，以及528種有望改進可充電電池性能的鋰離子導體。

勞倫斯伯克利國家實驗室開發出A-Lab機器人系統。該系統通過研讀上萬篇無機化合物合成論文，掌握配方設計能力，可合成DFT已預測結構、卻從未被製備的化合物。同時，A-Lab能操控機器人執行實驗、分析產物是否達標，必要時調整配方實現閉環優化。

GNoME與A-Lab論文發表後不久，微軟推出AI工具MatterGen。相較於GNoME，MatterGen更具針對性，它能直接生成符合設計條件的材料。科學家不僅可指定材料類型，還能設定機械、電氣、磁性等性能需求，為精準研發提供有力工具。此外，元宇宙平台公司基礎AI團隊與佐治亞理工學院合作，聚焦“金屬有機框架”（MOF）多孔材料，預測出100多種對二氧化碳強吸附的MOF結構，為AI加速直接空氣捕獲碳技術研發提供了支撐。

原創性與實用性之辯

儘管行業巨頭的探索勢頭強勁，爭議卻從未停歇。不少科學家直言，部分AI系統設想的化合物既無原創性，也缺乏實用價值。

美國加州大學聖巴巴拉分校材料科學家安東尼·奇塔姆等人瀏覽深度思維的假設晶體列表後發現，其AI預測的1.8萬多種化合物包含鉕、錒等稀有放射性元素，實用價值存疑。英國倫敦大學學院固體化學家羅伯特·帕爾格雷夫核查A-Lab研究結果時也指出，該項目合成的41種無機化合物中，部分材料描述有誤，甚至有早已合成的已知材料。

對此，A-Lab實驗室人員回應，詳細再分析證明A-Lab對材料特性的描述可靠，確實合成了所聲稱的化合物。深度思維一位發言人則表示，GNoME預測的700多種化合物已獲其他研究人員獨立合成，且該模型還指導發現了幾種未知銫基化合物，有望用於光電子與儲能領域。

微軟的MatterGen也陷入爭議。團隊測試時讓其推薦特定硬度的新材料，其合成出“鉭鉻氧化物”無序化合物。但今年6月一篇預印本論文指出，這種材料早在1972年就已首次製備，甚至被納入MatterGen的訓練數據。

元宇宙平台公司與佐治亞理工學院的合作項目同樣遭質疑。瑞士洛桑聯邦理工學院計算化學家貝倫德·斯密特通過計算證實，合作項目提出的新材料無法實現直接空氣捕獲，模型高估了材料與二氧化碳的結合能力，部分原因是訓練所用基礎數據庫存在誤差。

實用化需突破多重關卡

爭議雖在，多數研究者仍相信，持續優化後，AI模型將有力推動材料科學進步。

為確保AI結果可靠，微軟團隊開發輔助AI系統MatterSim，專門驗證MatterGen提出的結構在真實温度、壓力條件下是否穩定。但即便AI輔助材料發現被證實有效，人類還面臨巨大挑戰：譬如如何按市場需求優化工藝，又譬如如何實現新材料大規模製造，並將其融入商業產品。

美國Citrine信息學公司的AI系統正助力客户優化現有材料與製造工藝。該公司首席執行官格雷格·穆荷蘭德表示，每位客户都擁有定製化Citrine模型，這些模型基於客户專有實驗數據訓練，還融入研發人員的“化學直覺”，以增強AI判斷力。

不可否認，社會對新材料的迫切需求，將持續推動AI在該領域的探索。人類當前面臨的諸多重大社會挑戰，背後都受限於材料瓶頸。科學家期待藉助AI，設計出可規模化生產、真正影響日常生活的先進材料，讓AI在材料科學領域的價值真正落地。