GNoME（材料探索图网络）

GNoME 是什么

GNoME 全称 Graph Networks for Materials Exploration（材料探索图网络），是一个用来寻找新型无机晶体（inorganic crystal）的深度学习工具。Google DeepMind 于 2023 年 11 月 29 日公布了这一工具，同时在《自然》（Nature）上发表了论文。^[1] 它要对付的是搜索空间太大的问题：把元素周期表上的元素按不同比例和结构组合起来，可能的晶体数量极其庞大，而每一种都拿到实验室里合成和测试，既慢又贵。GNoME 先在计算机里做初筛，提出候选结构，并估计它们能不能稳定存在。

怎么工作

GNoME 是一个图神经网络（graph neural network）。^[1] 可以把晶体看成一张图：原子是节点，原子之间的连接或近邻关系是边。网络从已知材料中学习结构与性质之间的关系，然后对没见过的元素组合给出稳定性等预测。

这些预测在主动学习（active learning）过程中用密度泛函理论（Density Functional Theory，DFT）做了校验。^[1] DFT 是化学和凝聚态物理里的常用计算方法，它近似处理材料中电子的行为，据此估算能量和其他性质；它比神经网络慢得多，但给出的数值更可靠。主动学习的思路就是把两者结合起来：让模型先成批地猜，再用慢而准的方法核对其中一部分，把核对结果反馈回去继续训练。

在 MatBench Discovery 这个衡量材料稳定性预测能力的基准上，GNoME 把发现率从大约 50% 提高到 80%。^[1]

结果

Google DeepMind 称，这一工具带来了 220 万个新晶体的发现，相当于近 800 年的知识积累。^[1] 其中 38 万个被预测为最稳定，因而成为可以尝试实验合成的候选材料。^[1] 有了 GNoME，已知稳定材料的数量上升到 42.1 万个。^[1]

这些预测也得到了公司外部的检验。外部研究者已经在实验室里独立做出了其中 736 种新材料。^[1] 在另一篇《自然》论文中，与 Google DeepMind 合作的伯克利实验室（Berkeley Lab）机器人实验室合成了 41 种以上的新材料。^[1] Google DeepMind 点名了其中 6 种被独立合成的材料：K2BiCl5、Li4MgGe2S7、Mo5GeB2、KV3Se3、Rb2HfSi3O9 和 Tm5Pd9P7。^[1]

数据公开与它所在的位置

Google DeepMind 表示，将把 38 万个被预测为稳定的材料贡献给 Materials Project 数据库。^[1] 数据集发布在 GitHub 的 google-deepmind/materials_discovery 仓库中。^[1]

新型无机材料之所以重要，是因为许多技术都依赖找到性质合适的化合物：能储存电荷的电池电极、能加快反应速度的催化剂、能以特定方式导电或吸光的材料。传统路线靠化学直觉加反复试错，一次实验只能验证一种配方。GNoME 代表另一种做法：用机器学习在大范围内搜索候选结构，按预测的稳定性排序，再把筛选出的名单交给实验人员。它与机器人实验室的配合，展示了这种分工在实际中可能怎么运转——模型提出候选，自动化设备去验证。这些预测出来的材料有多少会真正有用、用在哪些地方，只能由后续的实验工作来回答。