两年前，谷歌旗下深度思维公司宣布，借深度学习技术发现220万种新型晶体材料。今年初，微软宣称其AI模型MatterGen能从零生成无机材料，有望颠覆无机材料设计范式。
人工智能（AI）推动材料研究的新时代似乎已开启，但批评声也随之而来。批评者认为部分AI设想的化合物缺乏原创性、实用性不足。AI会彻底改变材料发现领域，还是会沦为过度炒作？英国《自然》网站日前一则报道指出，多数研究者认可AI在材料科学的巨大潜力，但需与实验化学家深度合作，同时正视当前AI局限并持续改进，方能释放其全部能量。
AI驱动材料设计热潮
(资料图)
在AI介入前，研究人员主要依赖“密度泛函理论”（DFT）这一传统计算方法预测新材料及性质。DFT曾预测出超强磁体、超导体等优质新材料。
但DFT计算量极大，若要一次性筛选数百万种化合物，成本高到难以想象，AI的价值就此凸显。深度思维公司开发的“材料探索图网络”（GNoME）AI系统，一次性发现220万种新型晶体材料，涵盖元素周期表多种元素，其中包括5.2万种类似石墨烯的层状化合物，以及528种有望改进可充电电池性能的锂离子导体。
美国劳伦斯伯克利国家实验室开发出A-Lab机器人系统。该系统通过研读上万篇无机化合物合成论文，掌握配方设计能力，可合成DFT已预测结构、却从未被制备的化合物。同时，A-Lab能操控机器人执行实验、分析产物是否达标，必要时调整配方实现闭环优化。
GNoME与A-Lab论文发表后不久，微软推出AI工具MatterGen。相较于GNoME，MatterGen更具针对性，它能直接生成符合设计条件的材料。科学家不仅可指定材料类型，还能设定机械、电气、磁性等性能需求，为精准研发提供有力工具。此外，元宇宙平台公司基础AI团队与佐治亚理工学院合作，聚焦“金属有机框架”（MOF）多孔材料，预测出100多种对二氧化碳强吸附的MOF结构，为AI加速直接空气捕获碳技术研发提供了支撑。
原创性与实用性之辩
尽管行业巨头的探索势头强劲，争议却从未停歇。不少科学家直言，部分AI系统设想的化合物既无原创性，也缺乏实用价值。
美国加州大学圣巴巴拉分校材料科学家安东尼·奇塔姆等人浏览深度思维的假设晶体列表后发现，其AI预测的1.8万多种化合物包含钷、锕等稀有放射性元素，实用价值存疑。英国伦敦大学学院固体化学家罗伯特·帕尔格雷夫核查A-Lab研究结果时也指出，该项目合成的41种无机化合物中，部分材料描述有误，甚至有早已合成的已知材料。
对此，A-Lab实验室人员回应，详细再分析证明A-Lab对材料特性的描述可靠，确实合成了所声称的化合物。深度思维一位发言人则表示，GNoME预测的700多种化合物已获其他研究人员独立合成，且该模型还指导发现了几种未知铯基化合物，有望用于光电子与储能领域。
微软的MatterGen也陷入争议。团队测试时让其推荐特定硬度的新材料，其合成出“钽铬氧化物”无序化合物。但今年6月一篇预印本论文指出，这种材料早在1972年就已首次制备，甚至被纳入MatterGen的训练数据。
元宇宙平台公司与佐治亚理工学院的合作项目同样遭质疑。瑞士洛桑联邦理工学院计算化学家贝伦德·斯密特通过计算证实，合作项目提出的新材料无法实现直接空气捕获，模型高估了材料与二氧化碳的结合能力，部分原因是训练所用基础数据库存在误差。
实用化需突破多重关卡
争议虽在，多数研究者仍相信，持续优化后，AI模型将有力推动材料科学进步。
为确保AI结果可靠，微软团队开发辅助AI系统MatterSim，专门验证MatterGen提出的结构在真实温度、压力条件下是否稳定。但即便AI辅助材料发现被证实有效，人类还面临巨大挑战：譬如如何按市场需求优化工艺，又譬如如何实现新材料大规模制造，并将其融入商业产品。
美国Citrine信息学公司的AI系统正助力客户优化现有材料与制造工艺。该公司首席执行官格雷格·穆荷兰德表示，每位客户都拥有定制化Citrine模型，这些模型基于客户专有实验数据训练，还融入研发人员的“化学直觉”，以增强AI判断力。
不可否认，社会对新材料的迫切需求，将持续推动AI在该领域的探索。人类当前面临的诸多重大社会挑战，背后都受限于材料瓶颈。科学家期待借助AI，设计出可规模化生产、真正影响日常生活的先进材料，让AI在材料科学领域的价值真正落地。
| ||||
