“筛选3200万种材料至18种，只需80小时”-知多少教育网-记录每日最新科研教育资讯

“筛选3200万种材料至18种，只需80小时”

中国科学报

发布时间：2024-02-07 23:10:08 507次浏览

“我们正处于科学发现新时代的黎明，借助最新的人工智能（AI）技术和高性能计算（HPC）能力，我们可以加快科学发现速度，包括发现可以解决时代问题的新分子、新材料。”近日，微软战略使命和技术执行副总裁Jason Zander在一次公开报告中说道。

近期，微软与美国能源部太平洋西北国家实验室（PNNL）携手进行了一项引人注目的化学实验，通过人工智能（AI）与高性能计算（HPC）的协作，他们成功地在绿色电池新材料方面取得了突破性成果。

传统筛选约需20年，AI+HPC助缩短至80小时

这一合作充分展示了将AI与HPC相结合所能带来的加速科学发现的潜能。在短短9个月的时间里，这个团队成功地发现并合成了一种适用于资源节约型电池的新型材料。

项目的大部分计算和筛选工作要归功于微软的Azure Quantum Elements平台（以下简称AQE平台），它大幅加速了相关科学研究的进程。据介绍，AQE平台集成了高性能计算、人工智能和量子计算功能，可实现多方面的计算速度、规模和准确性的提升。同时，通过将人工智能融合至平台中，AQE平台在寻找复杂问题答案的速度进一步提升。

得益于AQE平台的支持，PNNL团队在80小时内针对绿色清洁能源领域取得了突破性进展。AQE平台负责人Nathan Baker表示：“相较于传统计算方法所需的约20年时间，我们不到一周的时间就取得了相应成果。”

这项成果的取得，大致经历了以下过程。

首先，在研究人员向AQE平台寻求较少锂用量的电池材料时，平台迅速地为他们推荐了3200万种不同的候选材料。这些材料是根据选定元素替换已知晶体结构中的原子生成的。然后，AQE平台借助数百万个材料模拟数据点训练的AI模型进行了必要的计算。与基于DFT（密度泛函理论）的传统方法相比，该计算过程显著提高了材料属性预测的速度，实现了超过千倍的速度提升。

接着，科研人员利用AI工具根据分子的反应性和导电潜力进行了第一轮筛选工作，将3200万个候选方案缩减至约50万个新型稳定材料。随后，他们将AI模型用于预测材料的氧化还原电位和带隙等物理特性，进一步将候选材料数量减少至约800种。之后，通过分子动力学模型将这些材料减少到 150 种。

尽管AI筛选速度快，但精确度有限。因此，在第二轮筛选工作中，研究人员还采用高性能计算机评估每种材料的实用性。最后，通过结合必要起始材料的可用性和成本等实际考虑因素，系统产生了23名个候选者。在这些材料中，有5个为已知材料，从而得到了18个有潜力的材料。

最后，PNNL团队在固态反应中合成了最佳候选物——一种氯化锂钠钇材料。这种材料相较于其他业界领先的固态电解质，锂含量减少了约70%，并展示出清晰的结构特征，这也解释了该材料卓越的导电率水平。

AI和HPC加速科学发现的潜能

过去，传统的材料发现过程可以分为以下阶段：明确研究问题、收集现有数据、提出假设以及实验验证假设。这种传统的科学研究范式主要依赖于提出假设并通过人工验证。虽然这个过程在概念上很简单，但实际执行中可能面临许多瓶颈，如消耗大量人力资源、极易造成误差等等，都会阻碍项目的成功推进。

随着AI、HPC等技术进步，人们有望构建一个协作型的研究闭环。该流程涵盖了大规模的知识提取、整合和推理，深度生成模型自动生成的新假设，以及使用自动化实验测试，旨在提高科学研究的效率和精确性。多元技术协同将助力科学家更好处理科学研究挑战，促进科学发现和科学创新。

PNNL的科学家感叹，我们正在迈入一个新的范式。该范式的关键是异构能力的协同工作，即不再受单一技术主导，而是趋向多元技术的协同，“使总体结果大于各部分之和”。

回顾科学发展史，核心基础技术的突破推动科学经历多次重大的范式转变。当前，在实证研究的推动下，研究数据的收集和共享使人们更加全面地看待科学问题，不断促进关键基础理论的突破发展。计算系统的出现和成熟让更复杂的计算成为可能，计算技术规模不断扩张。而人工智能和高性能计算技术各具优势，可提高解决科学发现的效率和质量。