DeepMind 發布 AI 工具 GNoME，據稱已成功發現 220 萬種新晶體材料

12 月1 日訊息，Google旗下DeepMind 日前在《自然》期刊上展示了自家 AI 工具GNoME，並介紹了 AI 在材料科學上的相關應用，據悉，DeepMind 使用GNoME 發現了220 萬種新晶體，其中有38 萬種晶體屬於穩定材料，可以在實驗室製造，有望應用在電池或是超導體等方面。

需要進行改寫的內容是：▲ 圖源深度學習

目前ICSD 資料中，約有2 萬種晶體在計算上被認為處於“穩定態”，先前Materials Project 等團隊透過一系列計算方法，又找出了2.8 萬種晶體。不過 DeepMind 認為，先前業界經過改良的計算方法，雖然能夠加快發現新晶體結構的速度，但是時間與金錢成本相當高。

而DeepMind 的新工具GNoME，據稱突破了先前的各種計算方法，能夠準確預測一系列穩定的晶體結構，並從中生成了220 萬種材料，DeepMind 聲稱，如果光是人力計算出這些材料，就需要花費800 年。

需要進行改寫的內容是：▲ 圖源深度學習

本站從DeepMind 報告中獲悉，GNoME 開發材料的效率相當高，該模型總共設計了5.2 萬種新型石墨烯層狀化合物，而在之前，人類只鑑定出約1,000 種類似的材料。此外，GNoME 還發現 528 種潛在的鋰離子導體，導電能力可達先前材料的 25 倍。科學家認為，僅是上述發現，就有望改善目前電子產品所應用的電池能耗。

需要進行改寫的內容是：▲ 圖源深度學習

DeepMind指出，GNoME採用兩種策略來搜尋資料，一種是基於已知晶體結構創造候選物，另一種則是基於化學公司，以更隨機的方式探索候選物結構。該模型同時使用神經網路處理和分析上述兩種方法的輸出，並使用密度泛函理論（Density Functional Theory）計算來評估這些材料候選物的穩定性。此外，GNoME還使用「主動學習（Active Learning）」的方法來提高晶體預測的準確性和效率，從而顯著提高發現新材料的速度和成功率

需要進行改寫的內容是：▲ 圖源深度學習

GNoME 模型旨在是降低發現新材料的成本，目前全球的科學家已在實驗室製造出736 種GNoME 所預測的新材料，這證明了GNoME 的晶體預測在現實中的準確性與可行性，而DeepMind 目前已經將GNoME 新發現的晶體資料庫公開，協助科研人員測試和製造候選材料。

以上是DeepMind 發布 AI 工具 GNoME，據稱已成功發現 220 萬種新晶體材料的詳細內容。更多資訊請關注PHP中文網其他相關文章！