（基础图/帆布）
来自青铜时代到工业革命除了之外，新材料的发现和发展一直是人类历史上的推动力。这些新颖的材料有助于推进技术并塑造文明。
今天，我们正处于一个新时代的开始，人工智能（AI）似乎是改变寻找有用材料的理想位置。这看起来旨在完全改变他们的调查，创建和测试的方法。
在远古时代，人类文明试验自然资源来创建工具和文物。公元前4千年中期的青铜时代是一个重要的里程碑。青铜，铜和锡合金，导致了更强大的工具和武器的发展，以及农业和建筑的进步。
铜通常被称为人类创建的第一种“新材料”。我们采用了不同的元素，并创造了与成分和独特品质相比，具有更好的特性。在3,500BC左右，古代美索不达米亚的玻璃发明是另一个开创性的时刻。
橡树岭国家实验室）快进到20世纪，并发现了塑料聚合物，陶瓷和
超导体开放了技术的新边界。陶瓷以其耐用性和耐热性而闻名，成为从航空航天到电子产品的行业的主食。超导体，可以用零电阻传导电力的材料，已经在
岩石（磁悬浮列车），粒子加速器和医疗设备。AI进入竞争
寻找可以帮助推动下一项开创性技术开发的新材料以前是一个漫长而昂贵的过程。
这是由于原子和分子水平上许多材料的复杂性。传统方法本质上是基于反复试验，需要专业的设备和资源。
材料发现中固有的不确定性和风险进一步复杂化并延长了过程。但是，AI的进步，包括在AI的子集中机器学习，正在开始改变整个景观，从而实现更有效和有针对性的方法。
在机器学习中，称为算法的数学规则从数据中学习以在没有人为干预的情况下改进任务。
主要转变是一种基于“生成” AI系统的新方法，可以创建新内容。现在，当提供所需的特性和约束时，AI系统可以直接生产新型材料。
本月初，微软的团队发表论文自然这引入了一对用于设计无机材料（不基于元素碳）的AI工具。
这些工具在材料发现中扮演着互补的角色。他们被称为Mattergen和Mattersim。第一个创建了新的候选材料，第二个过滤器并验证它们，以确保它们可以在现实世界中制作。
可以通过MatterGen合并的特定所需特性包括特定的对称性或机械，电子和磁性。
与主要依赖直觉的传统方法（以及广泛而乏味的实验）不同，MatterGen可以在一小部分时间内生成具有具有特定所需特性的数千种潜在材料。
这种AI领导的方法加速了材料设计的初始阶段。它使研究人员可以探索更广泛的可能性，并专注于最有前途的候选人。
Mattersim应用严格的计算机分析来预测这些提出材料的稳定性和生存能力。这种预测能力有助于从物理上可行的能力中滤除理论可能性。这样可以确保只有稳定的材料在发现过程中向前发展。
框中的新工具
在这一点上，我们可能会想知道，通过此过程确定的新材料看起来像什么？Mattersim主要集中在晶体上，或具有特定原子排列的更适当独特的晶体结构。
这些结构是为满足精确财产约束而定制的，使其适合各种应用。这些包括高能电池，柔性电子设备，显示器，太阳能电池板或先进的医疗植入物。
但是，微软强大的二人组并不孤单。Google DeepMind的材料探索的图形网络（GNOME）是另一种有望大大加快发现过程的工具。
Gnome使用的AI形式受到人类大脑的启发，称为深度学习。它可以预测新材料的稳定性，从而大大缩短了探索和发现阶段。
在2023年发表的论文中Google DeepMind的研究人员表明，他们的AI模型可以识别220万个新的稳定材料。其中的大约736个已经实验了。
这比以前的方法增加了十倍。这些材料以前是人类化学家未知的材料，在清洁能源，电子产品等方面具有潜在的应用。
即使Google的Gnome和Microsoft的Mattergen都是基于AI的，它们的方法有所不同，并且在某些方面提供了互补的方法。侏儒通过对现有结构的变化进行变化来预测新材料的稳定性，并着重于识别稳定的晶体材料。
另一方面，MatterGen采用了生成的AI模型来基于特定的设计要求直接设计新型材料。它通过更改元素，位置和周期性晶格（三维重复结构）来创建材料结构。
AI驱动的物质发现的含义是广泛的。他们有可能导致诸如存储和环境可持续性等领域的创新。最有前途的应用之一是，例如开发新电池。
随着世界向可再生能源的过渡，对高效，持久电池的需求不断增长，并将继续这样做。AI工具可以帮助研究人员设计并确定能够支持更高能源密度，更快的充电时间和更长寿命的新材料。
除了储能之外，新材料还可以用于设计新的医疗设备，植入物甚至药物输送系统。这可以改善患者的预后并提高医疗治疗。
在航空航天中，轻巧，耐用的材料可以提高飞机和航天器的性能和安全性。同时，用于水净化，碳捕获和废物管理的新材料可以应对紧迫的环境挑战。
Domenico Vicinanza，智能系统与数据科学副教授，盎格鲁·鲁斯金大学