技术进步提高了计算机程序识别新材料的能力，但这一过程的一个主要障碍是学习算法如何适应与所学内容相反的内容，因为新发现本质上是理解数据的新的、创造性的方式。 能力。

“深度思考”团队此次提出了一种计算模型，可以通过大规模主动学习来提高材料发现的效率。 该程序使用现有文献进行训练，以生成潜在化合物的多种候选结构，然后通过一系列学习不断完善这些结构。 GNoME 发现了超过 220 万个稳定结构，将结构稳定性预测的准确性提高到 80% 以上，在预测成分方面，与之前的工作相比，每 100 次试验的准确性提高到 33%。 只有1个％。

在第二项研究中，来自加州大学伯克利分校的一个团队开发了一个自动化实验室（A-Lab）系统。 该实验室接受现有科学文献的培训，然后结合主动学习，为提议的化合物创建最多五种初始合成配方。 然后它可以用机械臂进行实验，合成粉末形式的化合物。 如果某个配方的收率低于50%，A-Lab将调整配方并继续实验，当成功达到目标或所有可能的配方都用尽时结束。 经过 17 天的连续实验，A-Lab 进行了 355 次实验，产生了 58 种建议化合物中的 41 种（71%）。 相比之下，人类研究人员会花费数月的时间进行猜测和实验。

两项研究所展示的AI训练将计算能力的快速发展与现有文献结合起来，证明利用学习算法辅助无机化合物的发现和合成具有极其广阔的前景。 未来的自主实验室将能够以最小的努力做到这一点。 人力和最快的速度发现新材料。

海量信息、精准解读，尽在新浪财经APP

搜虎网转载此文目的在于传递更多信息，不代表本网的观点和立场。文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担。