來自青銅時代到工業革命除了之外，新材料的發現和開發一直是人類歷史上的推動力。這些新穎的材料有助於推進技術並塑造文明。
今天，我們正處於一個新時代的開始，（AI）似乎是改變尋找有用材料的理想位置。這看起來旨在完全改變他們的調查，創建和測試的方法。
在遠古時代，人類文明試驗自然資源來創建工具和文物。公元前4千年中期的青銅時代是一個重要的里程碑。青銅，銅和錫合金，導致了更強大的工具和武器的發展，以及農業和建築的進步。
銅通常被稱為人類創建的第一種“新材料”。我們採用了不同的元素，並創造了與成分和獨特品質相比，具有更好的特性。在3,500BC左右，古代美索不達米亞的玻璃發明是另一個開創性的時刻。
（（橡樹嶺國家實驗室）
快進到20世紀，並發現了塑料聚合物，陶瓷和超導體開放了技術的新邊界。陶瓷以其耐用性和耐熱性而聞名，成為從航空航天到電子產品的行業的主食。
超導體，可以用零電阻傳導電力的材料，已經在岩石（磁懸浮列車），粒子加速器和醫療設備。
AI進入競爭
尋找可以幫助推動下一項開創性技術開發的新材料以前是一個漫長而昂貴的過程。這是由於原子和分子水平上許多材料的複雜性。傳統方法本質上是基於反複試驗，需要專業的設備和資源。
材料發現中固有的不確定性和風險進一步複雜化並延長了過程。但是，AI的進步，包括在AI的子集中，正在開始改變整個景觀，從而實現更有效和有針對性的方法。
在機器學習中，稱為算法的數學規則從數據中學習以在沒有人為乾預的情況下改進任務。
主要轉變是一種基於“生成” AI系統的新方法，可以創建新內容。現在，當提供所需的特性和約束時，AI系統可以直接生產新型材料。
本月初，微軟的團隊發表論文自然這引入了一對用於設計無機材料（不基於元素碳）的AI工具。
這些工具在材料發現中扮演著互補的角色。他們被稱為Mattergen和Mattersim。第一個創建了新的候選材料和第二個過濾器並驗證它們 - 以確保它們可以在現實世界中製作。
可以通過MatterGen合併的特定所需特性包括特定的對稱性或機械，電子和磁性。
與主要依賴直覺的傳統方法（以及廣泛而乏味的實驗）不同，MatterGen可以在一小部分時間內生成具有具有特定所需特性的數千種潛在材料。
這種AI領導的方法加速了材料設計的初始階段。它使研究人員可以探索更廣泛的可能性，並專注於最有前途的候選人。
Mattersim應用嚴格的計算機分析來預測這些提出材料的穩定性和生存能力。這種預測能力有助於從物理上可行的能力中濾除理論可能性。這樣可以確保只有穩定的材料在發現過程中向前發展。
框中的新工具
在這一點上，我們可能會想知道，通過此過程確定的新材料看起來像什麼？ Mattersim主要集中在晶體上，或具有特定原子排列的更適當獨特的晶體結構。
這些結構是為滿足精確財產約束而定制的，使其適合各種應用。這些包括高能電池，柔性電子設備，顯示器，太陽能電池板或先進的醫療植入物。
但是，微軟強大的二人組並不孤單。 Google DeepMind的材料探索的圖形網絡（GNOME）是另一種有望大大加快發現過程的工具。
Gnome使用的AI形式受到人類大腦的啟發，稱為深度學習。它可以預測新材料的穩定性，從而大大縮短了探索和發現階段。
在2023年發表的論文中Google DeepMind的研究人員表明，他們的AI模型可以識別220萬個新的穩定材料。其中的大約736個已經實驗了。
這比以前的方法增加了十倍。這些材料以前是人類化學家未知的材料，在清潔能源，電子產品等方面具有潛在的應用。
即使Google的Gnome和Microsoft的Mattergen都是基於AI的，它們的方法有所不同，並且在某些方面提供了互補的方法。侏儒通過對現有結構的變化進行變化來預測新材料的穩定性，並著重於識別穩定的晶體材料。
另一方面，MatterGen採用了生成的AI模型來基於特定的設計要求直接設計新型材料。它通過更改元素，位置和周期性晶格（三維重複結構）來創建材料結構。
AI驅動的物質發現的含義是廣泛的。他們有可能導致諸如存儲和環境可持續性等領域的創新。最有前途的應用之一是，例如開發新電池。
隨著世界向可再生能源的過渡，對高效，持久電池的需求不斷增長，並將繼續這樣做。 AI工具可以幫助研究人員設計並確定能夠支持更高能源密度，更快的充電時間和更長壽命的新材料。
除了儲能之外，新材料還可以用於設計新的醫療設備，植入物甚至藥物輸送系統。這可以改善患者的預後並提高醫療治療。
在航空航天中，輕巧，耐用的材料可以提高飛機和航天器的性能和安全性。同時，用於水淨化，碳捕獲和廢物管理的新材料可以應對緊迫的環境挑戰。
