领先人类 800 年？DeepMind 发布 GNoME，利用深度学习预测 220 万种新晶体

GNoME 全称  Graph Networks for Materials Exploration，是一个用于新材料研发的 SOTA GNN 模型，它利用深度学习，可以在极短时间内预测新材料的稳定性，极大提高了材料研发的速度和效率，展现了利用 AI 大规模开发新材料的潜力。

注：GNN 的输入数据采用 graph 形式，跟原子之间的连接类似，这一特性也使得 GNN 特别适用于新晶体材料的探索。

GNoME 流程可分为 4 个步骤：

* Structural pipeline：创建与已知晶体结构类似的候选者 (Candidate)

* Compositional pipeline：遵循基于化学公式的更随机的方法

* 使用 DFT 计算（密度泛函理论，Density Functional Theory）对两个 pipeline 的 output 进行评估

* 将评估结果添加到 GNoME 数据库中，为下一轮的主动学习提供信息

其中前两个步骤，主要目的是确定低能量（稳定）材料，第三个步骤中的 DFT 技术，用于反复测试模型性能，最后一个步骤中主动学习 (active learning) 策略的应用，则极大地提高了 GNoME 的性能。

在数据的选择上，科研人员特别借鉴了先前的研究成果，包括 Materials Project、OQMD、WBM 以及 ICSD。

为了保证可复现，GNoME 使用了固定时间点保存的两个数据集的快照，包含：

* Materials Project  2021 年 3 月的数据

* OQMD 2021 年 6 月的数据

以上两部分结构被用作所有发现（包括通过 SAPS）的基础，并通过 GNoME 生成了稳定晶体目录。

为了对更新数据进行比较，2023 年 7 月科研人员对 Materials Project、OQMD 和 WBM 又进行了另一次快照。在同样的设置下进行了约 216,000 次 DFT 计算，用于比较 GNoME 的发现率与同时进行的研究工作的发现率。

上图由内到外展示了：

* ICSD 数据库中，通过人类实验确定的稳定晶体数量约为 20,000 个

* Materials Project、Open Quantum Materials Database 以及 WBM 数据库的计算方法，将稳定晶体数量增加至 48,000 个

* GNoME 将人类已知的稳定材料数量增加至 421,000 个

2021 年至 2023 年，GNoME 以外的稳定晶体数量从 35,000 个增加到 48,000 个，与本文介绍的凸包 (convex hull) 上的 381,000 个全新稳定晶体结构相比，数量悬殊。

实验结果表明，GNoME 模型发现了 220+ 万种新晶体，更新后的凸包 (convex hull) 包含 381,000 万个新条目，结合先前研究，稳定晶体数数量达到 421,000 个，与先前的研究成果 48,000 相比，稳定晶体的数量有了数量级的扩展。

研究方向：无机光电功能纳米材料及相关光电特性、能量存储与转换材料与器件、新型异质纳米结构光催化剂、有机分子材料与场效应晶体管

个人页面：

https://kyy.bupt.edu.cn/info/1136/3409.htm