一名机器人化学家刚刚与人工智能大脑合作，创造了一系列新材料。
谷歌 DeepMind 和加州大学伯克利分校的两项合作研究描述了一种系统，该系统可以预测新材料的特性（包括那些可能用于电池和太阳能电池的材料），并用机械臂生产它们。
我们认为日常材料是理所当然的：节日盛宴的塑料杯、智能手机中的组件，或者夹克中的合成纤维，让我们在寒风袭来时保持温暖。
科学家们煞费苦心地发现了大约 20,000 种不同类型的材料，可以让我们制造从计算机芯片到蓬松外套和飞机机翼的任何东西。数以万计的潜在有用材料正在制作中。然而我们只触及了表面。
伯克利团队开发了一款类似厨师的机器人，可以混合和加热原料，自动将食谱转化为材料。作为“味道测试”，该系统被称为 A-Lab，分析每种最终产品的化学特性，看看它是否符合标准。
与此同时， DeepMind 的人工智能为 A-Lab 厨师设计了无数食谱。这是一个很长的清单。使用流行的机器学习策略， 人工智能发现了200 万种化学结构和 380,000 种新的稳定材料——其中许多与人类直觉相反。作者写道，这项工作是对我们目前已知材料的“数量级”扩展。
使用 DeepMind 的食谱，A-Lab 运行了 17 天，合成了 58 种目标化学物质中的 41 种——这是传统实验需要数月甚至数年才能取得的胜利。
此次合作将共同开启材料科学的新时代。 “这非常令人印象深刻，”普林斯顿大学的安德鲁·罗森博士说，他没有参与这项工作。
我们来谈谈化学品
看看你周围。许多我们认为理所当然的事情——你可能正在滚动的智能手机屏幕——都是基于材料化学。
长期以来，科学家们一直通过反复试验来发现化学稳定的结构。像乐高积木一样，这些组件可以构建成复杂的材料，能够抵抗剧烈的温度变化或高压，使我们能够探索从深海到外太空的世界。
一旦绘制完成，科学家们就会捕获这些成分的晶体结构并保存这些结构以供参考。数以万计的数据已经存入数据库。
在这项新研究中，DeepMind 利用了这些已知的晶体结构。该团队在一个拥有数十万种材料的大型图书馆（称为“材料项目”）上训练了人工智能系统。该库包含我们已经熟悉和使用的材料，以及数千个具有未知但潜在有用特性的结构。
DeepMind 的新人工智能对来自材料项目的 20,000 种已知无机晶体以及另外 28,000 种有前途的候选晶体进行了训练，以了解哪些特性使材料变得理想。
本质上，人工智能的工作原理就像厨师测试食谱：这里添加一些东西，那里改变一些成分，然后通过反复试验，达到预期的结果。根据数据集中的数据，它生成了对潜在稳定的新化学物质及其特性的预测。结果被反馈到人工智能中，以进一步磨练其“食谱”。
经过多轮训练，人工智能会犯一些小错误。人工智能不会同时更换多个化学结构（这可能是灾难性的举动），而是迭代地评估微小的化学变化。例如，它可以尝试只替换一半，而不是用另一种化学成分替换。如果交换不起作用，没问题，系统会淘汰任何不稳定的候选人。
AI 最终生成了 220 万种化学结构，其中 38 万种预测如果合成的话将是稳定的。新发现的材料中有 500 多种与锂离子导体有关，锂离子导体在当今的电池中发挥着关键作用。
“这就像用于材料发现的 ChatGPT，”康奈尔大学的 Carla Gomes 博士说，她没有参与这项研究。
思想到物质
DeepMind 的人工智能预测就是这样的：纸面上看起来不错的东西可能并不总是有效。
这就是 A-Lab 的用武之地。加州大学伯克利分校和劳伦斯伯克利国家实验室的 Gerbrand Ceder 博士领导的团队构建了一个自动化机器人系统，该系统由经过 30,000 多种已发布化学配方训练的人工智能控制。 A-Lab 使用机械臂，根据配方挑选、混合和加热成分来制造新材料。
经过两周的培训，A-Lab 在没有任何人工输入的情况下为 41 种新材料制作了一系列配方。但这并不是完全成功：有 17 种材料未能达到标准。然而，通过少量的人工干预，机器人顺利地合成了这些材料。
这两项研究共同开辟了一个可能应对当今全球挑战的新型化合物的领域。下一步包括向算法添加化学和物理特性，以进一步提高其对物理世界的理解，并合成更多材料进行测试。
DeepMind 正在向公众发布他们的人工智能和一些化学配方。与此同时，A-Lab 正在运行数据库中的配方并将结果上传到材料项目。
对于 Ceder 来说，人工智能生成的新材料地图可以“改变世界”。他说，这不是 A 实验室本身。相反，它是“它生成的知识和信息”。
图片来源：玛丽莲·萨金特/伯克利实验室