诺奖花落AlphaFold，AI赋能材料发现与合成再启新章

人工智能技术正逐渐成为材料的发现与合成领域的核心推动力，通过高效算法、高性能计算和自动化实验，大幅缩短了研发周期，降低了成本，同时提升了材料设计的精准性和效率。今年的诺奖颁发给了在计算蛋白设计和结构预测领域取得突破性成果的科学家们，他们利用AI技术加速了蛋白质设计合成的速度与质量，再次证明了AI对这一领域的重要作用。

一、AI技术赋能的主要应用方向

AI技术结合大数据、深度学习和机器人实验，推动了材料研发方式的变革。通过生成式AI模型、图神经网络及其他前沿算法，AI 实现了从材料预测到实际制造的全流程优化。其主要价值体现在以下几个方面：加速材料发现——通过算法预测新材料及其性能，避免了传统实验的高成本和长周期；提升制造效率——在机器人技术的加持下，AI 自动化实验室能够自主完成材料的合成和测试；创新设计模式——通过生成式 AI，设计满足特定性能需求的全新材料等。

二、国外典型平台案例分析

1. GNoME：预测晶体结构与稳定性

GNoME是“材料探索图网络（GNoME，Graphical networks for material exploration）”的缩写，是Google DeepMind新开发的深度学习工具，即今年的诺奖得主Demis Hassabis和John M. Jumper分别担任其首席执行官和高级科学家的公司。GNoME通过预测新材料及其稳定性，极大提高发现新材料的速度和效率。GNoME基于最先进的图神经网络（GNN） 模型，采用图片形式向GNN模型输入数据，尤其适用于晶体。

图1 不同方式获得的稳定晶体数量

资料来源：DeepMind官网

根据ICSD无机晶体数据库的数据，人类通过实验确定的稳定晶体数量仅有约20000种；来自“材料计划”、开放量子材料数据库和WBM数据库的计算方法将这一数字提高到48000种；而GNoME的介入将这一数字扩大至惊人的42.1万种（见图1）。

此外，GNoME还发现约52000种类似于石墨烯的新型层状化合物，随着超导体的发展，这些新材料有潜力彻底改变电子学；而在此前，类似的由人类实验鉴定的材料仅约1000种；GNoME还发现528种潜在的锂离子导体，是之前研究数量的25倍，这对于提高可充电电池的性能具有重要意义。

 

2. MatterGen：生成式 AI 模型

MatterGen是微软研究院开发的一种生成式AI工具，旨在发现具有特定属性的新材料，从而解决材料科学的核心挑战。MatterGen依托来自微软的算法和计算资源，提供一种属性引导的设计流程，通过扩散模型生成新材料，显著提高了生成的多样性和稳定性，同时满足特定性能需求，加速了功能材料的设计。

2023年12月6日，微软团队在arXiv预印本平台发布题为《MatterGen：无机材料设计生成模型》（MatterGen: a generative model for inorganic materials design）的论文，公开其开发的下一代生成式AI工具MatterGen，该工具旨在提升特性材料设计的速度。

微软指出，设计具有所需特性的功能材料对于推动能源储存、催化和碳捕获等领域的技术进步至关重要。新生成模型为材料设计提供了一种新的范式，它能在所需特性限制条件下直接生成全新的材料。尽管在微软发布MatterGen之前，已有Google等平台取得部分进展，但微软认为此前的生成模型在稳定晶体的成功率及满足属性约束的能力上还有待提高。基于这一背景，微软研究院开发了MatterGen模型。该模型可生成稳定、多样的无机材料，并可通过微调引导生成的材料满足一定的性质约束。

一直以来，材料科学面临的核心挑战就是如何发现具有所需特性的材料，例如具有高锂离子电导率的电池材料。在传统模式下，科学家首先找到新材料，然后根据应用进行过滤，类似于生成数以百万计的图像然后筛选出包含所需要的图像，这一过程不仅耗时而且效率低下。相比之下，MatterGen模型采用的是类似于OpenAI的DALL·E图像生成模型的方法，直接生成具备所需特性的材料。这种技术的核心在于其扩散模型的设计，该模型通过微调适配器模块来满足广泛的特性约束，如化学性质、对称性和磁性（如图2）。

图2 MatterGen在约束条件下生成的稳定新材料

资料来源：Microsoft Research Blog.

3. M3GNet：材料结构和特性预测

M3GNet由加州大学圣地亚哥分校工程学院的纳米工程师团队开发，可即时预测材料的结构和动态特性，被广泛应用于锂离子电池等领域，并推动了相关材料数据库的建设。

材料的性质由其原子排列决定。研究人员表示，与蛋白质类似，人们需要了解材料的结构才能预测其特性；由此，M3GNet对材料的预测所需的关键技术也使用了用于材料的“阿尔法折叠（AlphaFold，Google旗下DeepMind的用于蛋白质结构预测的深度学习系统）”。基于这一背景，美国加州大学圣地亚哥分校的研究团队将图神经网络（GNN）与三体交互技术（Three-body interactions）相结合，构建一种名为M3GNet的深度学习架构，该模型采用机器学习算法，可以广泛适用于元素周期表中的所有元素，几乎能够即时预测任何材料的结构和动态特性。该研究于2022年11月以《元素周期表的通用图深度学习原子间势》（A universal graph deep learning interatomic potential for the periodic table）为题发布在《自然》杂志子刊《Nature Computational Science》。

 

三、我国布局“AI+材料”的产业应用

近年来，我国已逐步聚焦人工智能技术在材料领域的应用。就宏观政策来说，我国早在2017年就印发了《新一代人工智能发展规划》，布局了面向2030年的我国新一代人工智能发展的战略目标和重点任务，部署构筑我国人工智能发展的先发优势；也关注到我国人工智能整体发展水平与发达国家相比缺少重大原创成果，强调了在基础材料领域我国存在的较大差距。

就数据基础而言，先于其他国家建立了中国材料与试验团体标准委员会材料基因工程领域委员会，并于2019年发布了全球首个材料基因工程通则标准，为材料生成的数据标准化奠定了政策基础，确保了材料数据符合可发现、可获取、可交互、可再利用的FAIR原则。

图3  AI+材料科学产业图谱

资料来源：亿欧智库根据公开信息整理

在产业趋势方面，较多AI企业正在积极布局材料科学领域，材料企业应用人工智能已成为领域内共识。虽从市场规模和阶段来说这一领域仍处于发展初期，市场规模较为有限，但就已有的合作趋势（见图3）来看，这一领域的发展仍具有强劲的增长潜力。

 

 

参考文献：

[1] Merchant, A., Batzner, S., Schoenholz, S.S. et al. Scaling deep learning for materials discovery. Nature 624, 80–85 (2023).

[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).

[3] Peplow M. Google AI and robots join forces to build new materials. Nature. 2023 Nov 29.

[4] Claudio Zeni, Robert Pinsler, et al. MatterGen: a generative model for inorganic materials design[J]. arXiv preprint arXiv:2312.03687.

[5] Andrew Fowler,  Matthew Horton, et al. MatterGen: Property-guided materials design[EB/OL]. (2023-12-07)[2024-02-02]. https://www.microsoft.com/en-us/research/blog/mattergen-property-guided-materials-design/.

[6] Chen, C., Ong, S.P. A universal graph deep learning interatomic potential for the periodic table. Nat Comput Sci 2, 718–728 (2022).

[7] Github.materialsvirtuallab/m3gnet[EB/OL]. (2023-06-06)[2024-02-02]. https://github.com/materialsvirtuallab/m3gnet.

[8] Callaway, E. Chemistry Nobel goes to developers of AlphaFold AI that predicts protein structures. Nature 2024, 634, 525,  DOI: 10.1038/d41586-024-03214-7

[9] 亿欧智库. 中国AI+材料科学产业应用研究报告[R/OL]. https://www.iyiou.com/research/20211122926.