来源：中国新闻网

作者：孙自法

国际著名学术期刊《自然》最新同期发表两篇机器学习研究论文称，人工智能驱动的平台可以改善发现和合成新无机化合物的速度和精确性，让机器学习算法展现出新材料开发的前景。

在人工智能引导下，机器人创造出材料项目预测的40多种新材料，图为来自GNoME的数据被用作额外检验这些预测材料是否稳定（图源：伯克利实验室Marilyn Sargent）。施普林格·自然 供图

据论文介绍，技术的近期进展已经改进了计算机程序识别新材料的能力，但这个过程面临的阻碍，是学习算法适应与其所学相反的结果的能力，因为新发现本质上需要的是用新的、创造性的方式理解数据的能力。

美国伯克利实验室“材料项目”为研究人员提供了各种材料的关键信息，此图展示了材料项目数据库中12种化合物的结构（图源：伯克利实验室Jenny Nuss）。施普林格·自然 供图

在第一篇论文中，论文共同通讯作者、美国谷歌DeepMind的Ekin Dogus Cubuk和合作者提出一个计算模型，能够通过大规模主动学习改进材料发现的效率。该程序使用现有文献训练，生成多样的潜在化合物候选结构，然后通过一系列回合不断改进这些结构。这些模型（论文作者称为材料探索图形网络）已发现超过220万稳定结构，将结构稳定预测的精确性提高到80%以上，在预测成分时每100次试验的精确度提高到33%（相比之下，此前工作中该数字为1%）。

材料项目的许多计算都是在美国伯克利实验室国家能源研究科学计算中心的超级计算机上进行（图源：伯克利实验室Thor Swift）。施普林格·自然 供图

在第二篇论文中，论文共同通讯作者、美国加利福尼亚大学伯克利分校Gerbrand Ceder和合作者开发出一种自动实验室（A-Lab）系统，它根据现存科学文献训练，随后结合主动学习，可对拟定化合物创造最多5个初始合成配方。随后，它可以用机器臂执行实验，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天的连续实验，A-Lab进行355次实验，产生58个拟定化合物中的41个（71%）。论文作者表示，对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%。

这两篇机器学习论文总结称，他们的研究展示了通过结合提高计算力和基于现有文献的训练，在使用学习算法辅助发现和合成无机化合物方面具有前景与潜力。