《自然》：不需要休息的AI“化学家”来了！全自动合成新材料，一天抵人类几个月

▎药明康德内容团队编辑

无论我们是否愿意，人工智能（AI）正给科学界带来革命性的变化。在生物学领域，AlphaFold等AI系统解决了持续半个世纪的蛋白质折叠难题后，已经能够 ；此后，AI设计蛋白质的速度与策略也实现了 。药学领域，AI辅助药物研发已经迈入 。在化学与材料领域，AI也给我们带来了不小的震撼。2020年，《自然》杂志就曾报道了一种能自行决定实验计划的 ，这种几乎不需要休息的科研机器，在8天内做完了近700项化学实验。

最近，AI“实验科学家”的恐怖能力有望再次改写化学研究的格局。在两项发表于《自然》杂志的研究中，AI平台分别提升了发现全新无机化合物，以及合成这些化合物的惊人速度与准确性。根据《自然》网站的报道，在无机化合物的合成方面，科研人员几个月的工作量，AI不到一天就能完成。

▲最新研究的A-Lab机器人合成了超过40种全新的目标无机化合物（图片来源：Marilyn Sargent/Berkeley Lab）

无机化合物的检索与合成需要繁重的实验室工作。目前化学家们已经合成了数十万种无机化合物，但有研究预测，还有数十亿种无机化合物材料等待发现，我们已经得到的材料甚至连冰山一角都算不上。

如何加速对这些全新材料的搜寻？随着计算科学以及AI的发展，一种思路是通过计算模拟全新的无机化合物材料，并且计算出其化学性质。基于这项策略，科学家们已经预测出了近5万种稳定的材料结构。不过在利用AI发现新材料时，一个障碍在于，如何提升学习算法适应与其学习相反的结果的能力。

在一项最新研究中，来自Google DeepMind的研究团队实现了突破。他们开发了被称为材料探索图像网络（Graph Networks for Materials Exploration, GNoME）的深度学习工具，GNoME能够通过大规模的主动学习，提高发现新材料的效率。

为此，GNoME首先利用已有文献与Materials Project等数据库进行训练，以生成潜在化合物的不同候选结构。其中，Materials Project是由美国劳伦斯伯克利国家实验室建立的开放存取数据库，用于计算已知、预测材料的特性，并为后续的技术应用提供有潜力的材料。随后，经过训练的GNoME在一系列后续尝试中改进对结构的预测，以寻找稳定的候选化合物。能够从错误的预测结果中学习，正是GNoME相较于以往的AI系统的重要优势。

基于这项策略，GNoME发现了超过220万个晶体结构，其中包括38万个添加至Materials Project的稳定结构。其中，GNoME对稳定结构的预测准确率提高到80%以上。这近40万个新型稳定化合物的晶体结构与稳定性信息，大幅提升了科学家可以利用的信息量。

▲Materials Project为科学家提供了多种材料的关键结构信息（图片来源：Jenny Nuss/Berkeley Lab）

当然，预测材料是一回事，但要在实验室里造出相应的材料是另一回事。在另一项研究中，加州大学伯克利分校领导的研究开发了一个自主实验室系统（autonomous-laboratory，简称A-Lab），可以快速、准确地合成目标化合物，将GNoME的预测结果转变为现实。

与GNoME一样，A-Lab也具备主动学习的能力。在利用已有的科学文献进行训练后，A-Lab可以通过主动学习进行进一步的调整，从而为预期的化合物创建多个初始合成配方。接下来，A-Lab可以利用机械臂进行实验，根据设计的反应物配方将粉末状固体原料混合、加热，并分析反应的产物。如果根据配方得到的产物纯度不足50%，A-Lab可以调整配方以继续实验，直至达成目标或是所有可能的候选配方被用尽。

可以看到，A-Lab的整个实验流程无需人类干预，其能够自行设计出合成产物所需的配方，自己做实验，分析、解释实验数据，并自行决定如何改进后续实验。

而A-Lab的实验结果也相当炸裂。在17天的连续实验中，A-Lab开展了355次实验，合成了58种目标化合物中的41种，其中9种是在主动学习改进了合成过程后，才得以实现。A-Lab的合成成功率达到71%，相当于每天成功合成超过两种材料。作为对比，人类研究人员可能需要几个月的猜想与实验过程，才能创造出一种新材料，更不用说还有很多实验最终无功而返。

作者还指出，71%的合成成功率还不是终点：微调算法后，成功率可提升至74%；如果计算技术得到相应的改善，成功率还能进一步提升至78%。

▲A-Lab的全自动实验流程（图片来源：参考资料[2]）

领导这项研究的Gerd Ceder教授说：“我们已经证明，将理论、数据与自动化相结合，会生成令人难以置信的结果。我们可以比以往任何时候都更快地制造、测试材料，向Materials Project添加更多数据，这意味着我们可以作出更明智的选择。“

从预测到生产，这两项研究展示了一条无机化合物生产的全新路径，这些全新的材料在碳捕捉、光催化剂、热电材料、太阳能电池的透明导体材料等等场景中有着广阔的应用潜力。正如Ceder教授所言：“这些进展将改变世界——不是A-Lab本身，而是其产生的知识与信息。”

参考资料：

[1] Merchant, A., Batzner, S., Schoenholz, S.S. et al. Scaling deep learning for materials discovery. Nature 624, 80–85 (2023). https://doi.org/10.1038/s41586-023-06735-9

[2] Szymanski, N.J., Rendy, B., Fei, Y. et al. An autonomous laboratory for the accelerated synthesis of novel materials. Nature 624, 86–91 (2023). https://doi.org/10.1038/s41586-023-06734-w

[3] ChatGPT for chemistry: AI and robots join forces to build new materials. Retrieved Nov. 29, 2023 from https://www.nature.com/articles/d41586-023-03745-5

[4] Google DeepMind adds nearly 400,000 new compounds to Berkeley Lab’s Materials Project. Retrieved Nov. 29, 2023 from https://www.eurekalert.org/news-releases/1009276

本文来自药明康德内容微信团队，欢迎转发到朋友圈，谢绝转载到其他平台。如有开设白名单需求，请在“学术经纬”公众号主页回复“转载”获取转载须知。其他合作需求，请联系wuxi_media@wuxiapptec.com。

免责声明：药明康德内容团队专注介绍全球生物医药健康研究进展。本文仅作信息交流之目的，文中观点不代表药明康德立场，亦不代表药明康德支持或反对文中观点。本文也不是治疗方案推荐。如需获得治疗方案指导，请前往正规医院就诊。