Scaling deep learning for materials discovery

要解决的问题

一种新材料必须先站得住，才谈得上有用。对候选晶体结构来说，第一道关通常是热力学稳定性（thermodynamic stability）：在同一化学组成下，它的形成能（formation energy）是否低于与之竞争的各相的任意组合。研究者用凸包（convex hull）来概括这件事——凸包是所有已知相的形成能构成的下包络，落在凸包以下的结构，被预测为更倾向于形成，而不是分解成别的东西。在可能的化合物空间里寻找这类结构代价很高，因为每个候选通常都要单独做一次量子力学计算。

做法

论文的作者是 Amil Merchant、Simon Batzner、Samuel S Schoenholz、Muratahan Aykol、Gowoon Cheon 和 Ekin Dogus Cubuk ^[1]。文章发表在《自然》（Nature）第 624 卷第 7990 期第 80–85 页，2023 年 11 月 29 日，DOI 为 10.1038/s41586-023-06735-9 ^[1]。

题目点明了核心动作：把深度学习（deep learning）规模化地用于材料发现。工作用一个深度学习模型预测候选结构的稳定性，从而在进入细致计算或在实验室合成之前，先对规模很大的成分空间做一轮成本较低的筛选。作者把收益说在速度上：摘要称，这一方法把材料发现的效率提升了一个数量级 ^[1]。

结果

最醒目的数字是产出的规模。摘要报告，该工作能够发现 220 万个位于当前凸包以下的结构 ^[1]。这是一批预测，而不是已经合成出来的化合物，但也并非纯属假设：在这些稳定结构里，有 736 个已经被独立的实验实现 ^[1][2]。这 736 个可以看作对方法的检验，因为它们出自其他研究组之手，而不是模型自己给出的。

同日发布的 Google DeepMind 博客则交代了名单背后的准确率：这项工作把材料稳定性预测的成功率从约 50% 提升到 80% ^[2]。博客还把产出分了层：220 万个预测中，有 38 万个是最稳定的，因而是有希望进入实验合成的候选材料 ^[2]。

为什么重要

材料发现长期受制于评估成本，而上面两个数字都冲着这道限制去。效率提升一个数量级 ^[1]，意味着同样的投入可以覆盖多得多的候选；成功率从大约一半提高到 80% ^[2]，意味着这些候选里被浪费的比例下降。合起来，筛选从一件必须精打细算的事，变成一件可以规模化去做的事。

第二个后果是结果变成了一份别人能直接用的清单。Google DeepMind 表示，会把其预测为稳定的 38 万个材料贡献给材料数据库 Materials Project ^[2]，这就把一项计算结果变成了实验课题组的起点：他们可以从名单里挑选，而不必盲搜。

哪些问题没有解决

落在凸包以下只说明结构在热力学意义上稳定，并不保证它能被做出来：晶体能否真正形成，还取决于动力学、温度、压力和可用的前驱体，这些都不是凸包能涵盖的。数百万条预测中，目前有 736 个得到实验确认 ^[1][2]，比例很小。80% 也是对一批测试的整体比率，不构成对某一种化合物的承诺。这项工作真正改变的，是瓶颈的位置——从猜哪些结构值得一试，变成去测试已经在名单上的那些。