过去两年，人工智能等技术突飞猛进，在各个领域都展现出巨大的潜力。MIT学者最新发表的一篇论文证实，在新材料的发现和应用上，人工智能可以发挥非常大的作用。

传统的材料发现过程通常依赖于研究人员的经验和直觉，需要进行大量的实验和测试。这种方法不仅耗时费力，而且效率低下。



AI 能为新材料的发现作出一些贡献吗？

为了探究这个问题，这篇论文研究了一种新型的AI工具，它被应用于一家大型美国公司的材料科学研发实验室。该工具的核心是一个图神经网络（GNN），它能够学习和预测材料的结构和性质之间的关系。

简单来说，这个AI工具的工作原理类似于一个新材料的“研发助手”。

研究人员可以向这个“研发助手”输入他们期望材料具有的目标特征，例如导电性、强度、耐热性等。然后，“研发助手”会根据这些目标特征，利用它从大量已知材料数据中学习到的知识，预测并生成具有这些特性的候选化合物结构。

简单来说，这可以理解为一个逆向材料设计过程。



在这个过程中，“研发助手”进行知识的学习非常重要，这直接影响了候选化合物结构的输出质量。

为了保证这个新材料的“研发助手”能作为一个高效助手，该 AI 助手进行了包含 3 个步骤的训练：

第一，预训练: 使用已知材料的结构和性质数据对GNN进行初步训练；

第二，微调: 根据特定应用需求，使用更精细的材料属性数据对GNN进行微调；

第三，强化学习: 根据科学家对AI工具生成的候选化合物进行的实验结果，不断优化GNN的预测能力。

通过这种三步训练过程，AI工具能够不断学习和改进，生成越来越符合研究人员需求的候选化合物结构。

随后，这款“研发助手”开始让实验室研究人员用于新材料发现。通过对1018位研究人员进行随机分组，一组使用人工智能工具，另一组不使用，然后通过比较两组人员在材料发现数量、专利申请数量、产品原型数量等方面的差异，可以评估人工智能工具对效率的影响。



研究结果表明，使用AI工具的科学家在材料发现方面取得了显著成果：

材料发现率提高: 使用AI工具的研究人员比未使用该工具的研究人员发现的材料多44.1%。这是因为AI工具能够自动化大部分想法生成任务，使研究人员能够专注于评估候选材料，从而提高整体效率。

材料质量提升: AI工具生成的候选化合物具有更优异的性能。通过分析材料的原子特性、大规模特性和整体质量指标，研究人员发现AI工具生成的材料质量比传统方法生成的材料质量更高。

创新性增强: AI工具促使研究人员探索新的设计空间，生成的材料具有更独特的化学结构。这导致了更具创造性的发明，体现在专利申请中引入了更多新颖的技术术语，以及产品原型更多地代表了新的产品线，而不是对现有产品的改进。

研发效率提高: 尽管AI工具的引入增加了测试、产品开发和模型推理方面的支出，但它也显著提高了研发效率。考虑到设备成本、人工成本和固定成本等因素，AI工具使研发效率提高了13-15%。



论文指出，平均而言，使用AI辅助的研究人员发现的材料数量增加了44.1%，专利申请数量增加了39.4%，产品原型数量增加了17.2%。这些结果都具有统计学意义，表明 AI工具对材料科学研发过程的各个阶段都产生了积极影响。

值得指出的是，AI工具并非万能的，它需要与领域专家的知识和经验相结合才能发挥最大效益。

因为AI工具虽然能够生成大量的候选化合物结构，但并非所有结构都具有实用价值。研究人员需要利用他们的专业知识和经验来判断哪些候选化合物值得进一步研究和测试。

换句话说，AI工具可以帮助科学家“扩大搜索范围”，而科学家则需要利用他们的“专业眼光”来“精挑细选”。

人工智能的长期影响取决于人工智能技术在多大程度上改变科学和创新。本文研究的一个大型研发实验室随机引入一种新型材料发现AI工具，迈出了回答这个问题的第一步。