在历史的长河中，从古老的青铜时代一路走来，直至波澜壮阔的工业革命，新材料的发现与开发始终如同一股强劲的动力，推动着人类社会不断向前迈进。这些新材料的出现，有力地促进了科技的进步，塑造了人类文明的辉煌篇章。
如今，我们正站在一个新时代的门槛之上，人工智能（AI）仿佛被命运安排在了改变有用材料搜索方式的绝佳位置。它的出现，极有可能彻底革新材料的研究和创造方法，为测试手段带来前所未有的变革。
回溯古代，人类在文明的探索之路上，就已尝试利用大自然赋予的资源来打造工具和各类人工制品。公元前4500年左右的青铜时代，无疑是其中的一个重要里程碑。青铜，这种由铜和锡巧妙融合而成的合金，催生了更为坚固耐用的工具和武器，推动了农业与建筑领域的显著进步。
青铜通常被视为人类创造史上的第一种“新材料”。通过巧妙地组合不同元素，人们创造出了性能更优、品质独特的新物质。大约在公元前3500年，玻璃在古代美索不达米亚地区的诞生，同样成为了一个具有开创性意义的时刻。
时光快速流转至20世纪，塑料聚合物、陶瓷以及超导体等一系列新材料的发现，为技术领域开辟了崭新的天地。陶瓷因其出色的耐用性和耐热性，在航空航天、电子等诸多行业中占据了重要地位，成为不可或缺的主要材料。
超导体作为一种神奇的材料，具备零电阻导电的特性，已在磁悬浮列车、粒子加速器以及医疗设备等众多领域得到了广泛应用。
人工智能的登场
在过去，寻找那些能够助力下一代突破性技术发展的新材料，往往是一个耗时漫长且成本高昂的过程。这主要是因为许多材料在原子和分子层面呈现出极高的复杂性。传统的研究方法基本依赖于试错，需要借助专业的设备以及大量的资源投入。
而材料发现过程中固有存在的不确定性和风险，使得这一过程变得更加复杂且漫长。然而，随着人工智能技术的不断进步，特别是其子集——机器学习的出现，整个局面开始发生转变，使得更为高效、更具针对性的研究方法成为可能。
在机器学习领域，一种被称为算法的数学规则能够从海量数据中学习知识，并在无需人为干预的情况下不断优化任务处理能力。
其中最为关键的转变是一种基于“生成式”人工智能系统的新方法应运而生。这种系统具备创造全新内容的能力，如今的人工智能系统能够在明确所需性能和限制条件的前提下，直接生产出符合要求的新材料。
就在本月早些时候，微软的一个科研团队在权威学术期刊《自然》上发表了一篇重要论文，详细介绍了一对专门用于设计无机材料（即不以碳元素为基础的材料）的人工智能工具。
这对工具在材料发现过程中发挥着相辅相成的作用。它们分别被命名为“MatterGen”和“MatterSim”。前者负责创建新的候选材料，后者则对这些候选材料进行严格的筛选和验证，确保它们在现实世界中具备实际的应用价值。
通过MatterGen可以结合特定的期望属性，例如特定的对称性，或者机械、电子和磁性等方面的特殊要求。
与传统主要依靠直觉（以及大量繁琐实验）的方法不同，MatterGen能够在短时间内迅速生成数千种具有特定所需特性的潜在材料。
这种以人工智能为主导的设计方法极大地加速了材料设计的初始阶段。它使得研究人员能够探索更为广泛的可能性，并将研究重点聚焦于最具潜力的候选材料上。
而MatterSim则运用严格的计算机分析手段来预测这些拟议材料的稳定性和可行性。这种强大的预测能力有助于将理论上可行但在实际中并不稳定的材料筛选出来，从而确保只有那些真正稳定可靠的材料能够顺利进入后续的发现流程。
盒子里的新工具
或许有人会好奇，通过这样的过程所确定的新材料究竟是什么样子呢？MatterSim主要关注的是晶体，更准确地说，是具有特定原子排列的独特晶体结构。
这些晶体结构是经过精心设计的，能够满足精确的性能要求，从而适用于各种不同的应用场景。这些应用场景涵盖了高能电池、柔性电子产品、显示器、太阳能电池板以及先进的医疗植入物等多个领域。
不过，微软这对实力强劲的组合并非是唯一致力于此目标的研究力量。谷歌DeepMind的材料探索图形网络（Gnome）同样是一个极具潜力的工具，有望大幅加快材料的发现进程。
Gnome采用了一种受人类大脑启发的人工智能技术——深度学习。它能够对新材料的稳定性进行精准预测，从而大大缩短了探索和发现的阶段时长。
在2023年发表的一篇论文中，谷歌DeepMind的研究人员证实，他们的人工智能模型具备识别多达220万种新的稳定材料的能力。其中约有736种已经通过实验得以实现。
这一成果相较于以往的方法，实现了十倍的增长。这些新材料中，有许多此前并不为人类化学家所熟知，它们在清洁能源、电子等领域展现出了巨大的潜在应用价值。
尽管谷歌的Gnome和微软的MatterGen都基于人工智能技术，但它们的研究方法有所不同，在某些方面甚至提供了互补的思路。Gnome通过在现有结构基础上创建变体来预测新材料的稳定性，并将研究重点放在识别稳定的晶体材料上。
而另一方面，MatterGen采用的是生成式人工智能模型，它能够根据特定的设计要求直接构建新材料。具体而言，它会通过对元素、位置以及周期晶格（即三维重复结构）的改变来创建材料结构。
人工智能驱动下的材料发现所带来的影响是极为深远的。它有望在能源储存、环境可持续性等诸多领域引发创新变革。例如，其中一个最具前景的应用方向就是新型电池的开发。
随着全球范围内向可再生能源的过渡趋势不断加强，对于高效、持久电池的需求日益增长，并且这种需求在未来还将持续攀升。人工智能工具能够帮助研究人员设计并识别出那些能够支持更高能量密度、更快充电速度以及更长使用寿命的新材料。
除了储能领域，新材料还可应用于设计新型医疗设备、植入物乃至药物输送系统等方面。这将有助于改善患者的治疗效果，推动医学治疗技术不断向前发展。
在航空航天领域，轻质且耐用的新材料能够显著提升飞机和航天器的性能与安全性。与此同时，用于水净化、碳捕获以及废物管理等领域的新材料也有望为解决当前紧迫的环境挑战提供有力支持。