朱宏伟
清华大学 材料学院，北京 100084
2023年12月，DeepMind团队及合作者在英国《自然》杂志上连续发表了两篇关于人工智能(artificial intelligence, AI)辅助合成新材料的论文[1-2]。研究人员首先利用图神经网络来预测和筛选新材料，然后通过分析大量的材料数据对新材料的稳定性和物理化学特性进行评估。这不仅加速了新材料的发现过程，也为理解复杂材料体系提供了新视角。研究人员进一步搭建了一个名为“A-Lab”的自动化实验室，利用深度学习和数据挖掘技术，在两周半的时间内筛选并制备出数十种新材料，极大地提高了合成效率，并显著降低了研发成本。这两项研究可以看作是此前两项类似工作的“升级版”[3-4]，系统展示了AI技术，尤其是深度学习与生成式模型在材料科学领域的应用潜力。
深度学习是机器学习的一个分支，主要通过构建和训练神经网络来学习数据的表示和模式[5]。所谓“深度”，即该模型通常由多层神经网络构成(图1(a))，每一层包含一系列“神经元”(或“节点”)。模型从大量输入数据中提取特征并进行学习，无需人工设计和选择。目前，深度学习已广泛应用于图像识别、语音处理、自然语言理解等多种任务，其中的图神经网络已成功用于预测和分析材料的结构与性能，为设计具有特定功能的新材料铺平了道路。
图1 (a)深度神经网络；
(b)生成式模型
生成式模型是一种用于学习数据分布并生成新数据的模型[6]。该模型通过捕捉数据的内在结构，进而生成与输入数据类似的新数据(图1(b))。最早的生成式模型是“生成对抗网络”，由生成器和判别器组成。生成器负责生成数据，判别器负责判断数据是来自真实数据集还是生成器。通过竞争学习，生成器逐渐学会创建逼真的数据。变分自编码器是目前最受关注的一种生成式模型，利用自编码器学习数据的潜在表示，由此生成新数据。还有一种条件生成式模型，在给定条件下生成特定类型的数据。生成式模型在多种场景中具有广泛应用，如图像和视频合成、语音生成、风格转换、数据增强等。
基于深度学习的生成式模型可以有效地预测新材料的性质、合成路径和稳定性，在发现新材料的同时也能预测其实验室合成的可能性，在合成之前即可对材料进行初步评估。这对于加速材料的研发进程具有重要意义。
生成式AI善于学习和模拟复杂的数据分布。在材料科学中，这意味着可以从已知的材料数据中学习，再生成全新的、尚未存在的材料结构。这不仅提高了材料设计的效率，同时增强了研究人员探索未知空间的能力。
如图2(a)所示，与图神经网络与传统计算方法(如密度泛函理论)结合，生成式AI通过分析已有材料的物理化学特性，进一步提出新的材料组合和结构(所预测的数量比已有实验结果高1个数量级)。生成式AI可以帮助研究人员预测材料的特定性能，并据此优化材料的化学组成。此外，生成式AI还能够提供关于如何合成这些新材料的建议，从而指导实验室的合成工作。传统的材料发现方法依赖于逐个测试不同组合，过程既费时又费力。生成式AI通过智能算法预测可行方案，为实验提供明确的方向，从而加速新材料的发现过程，大幅度降低了试错次数和实验成本。
图2 (a)材料设计流程；
(b)自动化实验室
自动化实验室结合了先进的自动化技术(如机器人技术)和AI技术(图2(b))，彻底改变了科学研究的范式。自动化实验室的核心特点包括：
(1)高效的实验流程：通过机器人技术和计算机控制的实验装置，实现实验流程的高度自动化。从样品处理到数据收集，几乎所有步骤都可以在无人干预的情况下自主进行。
(2)快速的数据处理：结合深度学习算法，快速分析大量实验数据并进行模式识别，预测实验结果并提出新的假设。
(3)精准的实验设计：基于现有数据和预测模型来设计新实验，优化反应条件，提高实验的成功率和效率。
在材料科学领域，自动化实验室可用于快速筛选、合成和测试新材料(如能源材料、信息材料、催化材料、复合材料等)，其普遍应用预示着一个更加高效和智能的科学研究时代的来临。随着技术的不断进步，自动化实验室将能够处理更复杂的任务，更深入地探索未知的科学领域，在药物开发、环境监测、食品安全、极端作业等更广泛的领域发挥重要作用。
随着研发需求的进一步提升，下一代生成式AI的发展趋势是在现有生成式模型基础上引入“可解释性”。可解释AI (explainable artificial intelligence, XAI)指的是那些不仅能够提供预测和决策，且以人类可以理解的方式解释其决策过程和结果的AI系统[7]。这种解释能力使AI的决策过程更加透明，即用户可以理解AI是如何工作的，以及输出是基于什么原理(图3)。表1列出了XAI的主要特点。
表1 XAI的主要特点
图3 AI与XAI对比：从“黑箱”到“白箱”
XAI在材料科学领域的应用预示着一个更加深入、高效和透明的研究新时代。XAI将在以下几个关键方面进一步助力材料科学发展：①加深对材料行为的理解：提供材料性能和行为背后的深层机理，协助研究人员更好地设计实验，调控材料性能，甚至发现新规律；
②提升实验设计的效率：在材料合成和表征过程中，XAI可以推荐特定合成路径和实验条件，帮助研究人员做出更明智的决策；
③加速新材料的发现：通过解读AI的预测结果，研究人员可以快速识别那些有潜力的新材料组合，加速从理论到实验室的转化；
④提高材料性能预测准确性：可解释性提高了AI模型的透明度，使研究人员能够更准确地预测材料的性质；
⑤提高跨学科合作的效率：XAI可为非专家提供通俗易懂的解释，促进不同学科之间的交流和合作；
⑥确保研究的可靠性和合规性：在面临严格的科研合规性要求时，XAI提供的详细决策过程记录有助于验证研究的合法性和科学性；
⑦加强模型的改进和迭代：当AI模型输出不准确或意外的结果时，可解释性有助于研究人员快速识别和修正模型中的错误，从而不断优化模型。综上，XAI不但能加速新材料的发现和性能优化，还能提高整个研究过程的透明度和可信度，将逐渐成为材料科学未来发展的关键动力。
深度学习、生成式模型和自动化实验室等先进AI技术的飞速发展，不仅极大地推动了新材料的设计和合成方法的创新，也为下一代基于智能材料的计算架构的构建奠定了基础[8-10]。随着AI的应用越来越广泛，从技术到道德、法律层面，具有可解释性的生成式AI的重要性将不断显现。XAI为解决能源、环境、信息等领域的挑战提供了强大的工具。从实验室到工业应用，从基础研究到实际产品，AI技术正引领人类走向一个更加先进、可持续的未来。
猜你喜欢 材料科学神经网络实验室 中海油化工与新材料科学研究院无机盐工业(2023年12期)2023-12-19材料科学与工程学科佛山科学技术学院学报（自然科学版）(2022年1期)2022-02-15神经网络抑制无线通信干扰探究电子制作(2019年19期)2019-11-23电竞实验室电子竞技(2019年22期)2019-03-07电竞实验室电子竞技(2019年21期)2019-02-24电竞实验室电子竞技(2019年20期)2019-02-24电竞实验室电子竞技(2019年19期)2019-01-16福建工程学院材料科学与工程学科中国机械工程(2018年21期)2018-11-13《材料科学与工艺》2017年优秀审稿专家材料科学与工艺(2017年6期)2018-01-08基于神经网络的拉矫机控制模型建立重型机械(2016年1期)2016-03-01