材料 - AI在线

超三万种材料，近百万真实材料合成表征信息，LLM精准构建材料知识图谱MKG，登NeurIPS 2024

编辑 | ScienceAI知识图谱集成多源数据信息为结构化知识，以阐明复杂科学领域的数据结构并介导研究进展、创新和应用的结构化知识交流。为了统筹和分析分散在数以百万计的文献中的材料学知识，新南威尔士大学（UNSW）、同济大学、香港城市大学以及 GreenDynamics 律动造物，构建了材料知识图谱（MKG）。该团队依托于大型语言模型独立设计的本体论，并自动化地提取及清洗了大量的材料学文献中的知识，构建出了丰富的知识图谱。

从预测风暴到设计分子，微软的 AI 基础模型如何加速科学发现

编辑 | ScienceAI人们总是在寻找规律来解释宇宙，并预测未来。俗话说，「朝霞不出门，晚霞行千里」，人们常常用它来预测天气。AI 非常擅长发现模式并进行预测。现在，微软研究人员正在尝试将「基础模型」应用于科学领域。材料科学、气候科学、医疗保健和生命科学等科学学科有望通过 AI 取得进步。专家表示，针对这些学科量身定制的基础模型将加快科学发现的进程，使他们能够更快地创造出实用的东西，如药物、新材料或更准确的天气预报，同时也能更好地了解原子、人体或地球。「AI 是你工具箱中可以为你提供支持的工具，」微软研究院 A

斯坦福 AI 方法加速目标材料发现，为「自动驾驶实验」奠定基础

编辑 | KX传统的材料发现过程既耗时又成本高昂。可能的材料空间也非常大，仅由四种元素组成的材料就有超过 100 亿种可能性，对于制药应用而言，挑战更大，大约有 10^60 种可能的类药分子。斯坦福大学和美国能源部 SLAC 国家加速器实验室的科学家们，开发了一种 AI 方法，有助于在寻找新材料时更有效地收集数据，使研究人员能够以更高的精度和速度应对复杂的材料设计挑战。研究人员提出了一个框架，通过简单的用户定义过滤算法来捕获实验目标。这些算法会自动转换为三种智能、无参数、顺序数据采集策略（SwitchBAX、Inf

比原始材料强8倍，清华、武汉理工团队用AI筛选高熵电介质材料

编辑 | 萝卜皮电介质材料能够储存和释放电荷，广泛应用于电容器、电子和电力系统中。它们因其高功率密度和快速响应特性，被用于混合动力电动汽车、便携式电子设备和脉冲电力系统等领域，但其能量密度仍需进一步提高。高熵策略已成为提高储能性能的有效方法，然而，在高维组成空间中发现新的高熵系统对于传统的试错实验来说是一个巨大的挑战。武汉理工大学、清华大学、宾夕法尼亚州立大学的研究团队基于相场模拟和有限的实验数据，提出了一种生成学习方法，用于加速在超过 10^11 种组合的无限探索空间中发现高熵介电材料（HED）。该工作为设计高熵

“AI 教父”杰弗里・辛顿履新，担任绿色材料初创公司 CuspAI 董事会顾问

据《财富》杂志周二报道，“AI 教父”杰弗里・辛顿已经同意担任绿色材料初创公司 CuspAI 董事会顾问。他表示，“人类在未来十年将面临许多挑战。其中一些挑战将由 AI 引发，另一些则可以通过 AI 解决。”辛顿对这家初创公司给予了较高的评价，称该公司及其使命给自己留下了深刻印象。“他们利用 AI 为新材料设计过程提速，以应对人类最紧迫的挑战之一 —— 气候变化。”IT之家注：CuspAI 公司由剑桥大学创立，该公司计划利用搜索引擎的功能按需识别新型建筑材料所需的特性，从而帮助人们更好地发现它们。与此同时，Cusp

AI 助力下仅耗时 3 月，英 Materials Nexus 成功开发新型无稀土永磁材料 MagNex

英国企业 Materials Nexus 近日宣布在 AI 平台的助力下仅耗时三月就完成了无稀土永磁材料 MagNex 开发。▲ MagNex 生产场景永磁材料被广泛用于电动汽车、机器人、无人机和风力发电机等行业，而含稀土元素的永磁材料磁性远强于传统永磁体，是这些应用的最佳选择。稀土元素的紧缺，加之对高磁性永磁体的旺盛需求，导致稀土永磁材料的供应不足近在眼前。开发出可替代稀土永磁体的无稀土永磁材料已成为材料科学研究热点。根据IT之家的了解，新材料发现在传统上是一个缓慢而资源密集的过程，通常需要反复试错才能找出有实际

探索复合材料中的原子扩散，加州大学开发神经网络动力学方法

编辑 | 绿罗就像随风扩散、扑面而来的花香，材料中的原子与分子也在进行着它们的「扩散」。材料中的扩散决定了沉淀、新相形成和微观结构演化的动力学，并强烈影响机械和物理性能。成分复杂的材料固有的化学复杂性，给原子扩散建模和化学有序结构的形成带来了挑战。在此，加州大学的研究人员提出了一种神经网络动力学（NNK）方法，用于预测成分复杂材料中的原子扩散，及其由此产生的微观结构演化。该框架基于高效的晶格结构和化学表征，结合人工神经网络，能够精确预测所有依赖于路径的迁移势垒和单个原子跳跃。可扩展的 NNK 框架为探索隐藏着非凡属

六个自动化实验室联合AI，发现21种先进新材料，全程无人类参与

编辑 | ScienceAI科学家要被替代了？由六个自动化实验室组成的全球联盟，在人工智能 (AI) 的监督下，着手生产新型激光材料，将工作从合成到测试分开。来自多伦多大学、伊利诺伊大学厄巴纳-香槟分校、不列颠哥伦比亚大学、波兰科学院等组成的 33 位科学家合作，提出了一种基于云的策略，该策略支持非本地化和异步的设计-制造-测试-分析周期。该研究共产生了 621 种新化合物，发现了 21 种最先进的新材料，还有一种比任何其他有机材料更有效地发射蓝色激光。这一壮举表明，在某些领域，自动驾驶实验室可以超越最优秀的科学家

微软发布 MatterSim 模型：模拟材料、预测性能，AI 探索材料设计的无限可能

微软研究院科学智能中心（Microsoft Research AI for Science）近日推出 MatterSim 模型，能够在广泛的元素、温度和压力范围内，准确高效地模拟材料和预测性能，助力材料设计的数字化转型。新材料探索对纳米电子学、能量储存和医疗健康等多个领域的技术进步至关重要。材料设计中的一个核心难点是如何在不进行实际合成和测试的情况下预测材料属性。由于新材料可能涉及元素周期表中 118 种元素的任意组合，且其合成和工作温度、压力范围极广，这些因素极大地影响了材料内部原子的相互作用，使得准确预测材料属

美国酝酿 AI「登月计划」，陶哲轩领衔 62 页报告重磅发布

【新智元导读】就在刚刚，陶哲轩领衔的一份 62 页报告出炉了，总结和预测了 AI 对半导体、超导体、宇宙基础物理学、生命科学等领域带来的巨大改变。如果这些预测在几十年后能够实现，美国酝酿的 AI「登月计划」就将成真。就在刚刚，陶哲轩领衔的一份 AI 技术对全球研究潜在影响的技术报告发布了。这份报告长达 62 页，总结了 AI 对材料、半导体设计、气候、物理、生命科学等领域已经做出的改变，以及预测它们在未来可能由 AI 产生的改变。报告地址： AI 工具已经改变的科学领域的小插曲，陶哲轩等人还发出了三个呼吁 ——1.

微软和 PNNL 合作研究，AI 发现的新材料可以减少电池中锂的使用

编辑 | X微软和美国能源部下属的西北太平洋国家实验室 (PNNL) ，利用人工智能（AI）和超级计算发现了一种全新物质，可以减少电池中锂的使用。科学家表示，这种材料可能会减少高达 70% 的锂用量。自发现以来，这种新材料已被用于为灯泡提供动力。微软研究人员利用人工智能和超级计算机，在不到一周的时间内将 3200 万种潜在无机材料筛选为 18 种有前途的候选材料——如果使用传统的实验室研究方法，这一筛选过程可能需要二十多年才能完成。从开始到开发出可工作的电池原型的过程用了不到九个月的时间。该团队通过使用先进的人工智

ScienceAI 2023「AI+材料&化学」专题年度回顾

编辑 | KX传统的科学探索方式是「爱迪生式」的试错法。材料研发周期非常长，而且耗费的人力物力也是巨大的，并且存在偶然性。新材料的设计与研发往往面临挑战：急需的新材料难以快速筛选设计，而设计出的新材料又难以找到高效且低成本的合成配方，拥有合成配方的新材料又会面临规模化的长周期探索。以我国为例，工信部对 30 余家大型骨干企业调查结果显示，130 种关键材料中，有 32% 国内完全空白、54% 虽能生产，但性能稳定性较差、只有 14% 左右可以完全自给。2023 年大模型千帆竞发。就在前不久，大型语言模型（LLM）C

生成模型揭示材料无序的秘密，改善功能材料设计

编辑 | 绿萝压电材料可以因机械变形产生电场，也可以因电场作用产生机械变形，这种固有的机-电耦合效应使得压电材料在工程中得到了广泛的应用。在材料科学领域，了解复杂材料中的不同结构紊乱是否具有有价值的功能，其中一个关键挑战是识别特定样品中的紊乱类型。新加坡国立大学的一个研究小组通过将压电材料畴界（domain boundary）中的各种结构紊乱压缩为一小组简单的多尺度概率规则来解决这一挑战。根据这些规则，他们创建了一个生成式机器学习模型，该模型的长度尺度跨越了三个数量级，从而可以研究超出实际测量限制的材料的统计特性。

专访MIT贾皓钧&段辰儒博士：AI4S时代的化学材料发现——「AI炼金术」

作者 | MIT 贾皓钧&段辰儒博士编辑 | 凯霞大家可能从小就听说过爱迪生尝试上千种材料作为灯丝，凭着不断试错方法以及永不言弃的精神，最后研发出日用白炽灯的故事——天才靠的是百分之一的灵感和百分之九十九的汗水。然而，随着科学的进步和现代社会的发展，新型材料的研发变得愈发复杂。现在，研究者经常需要在上百万大小的材料空间同时优化数十个不同的性质，以寻找适用于电池、半导体、催化剂和合金等领域的新材料。如果说爱迪生需要 99% 的汗水，那现在研究者可能需要 99.99% 的汗水。而新型材料的研发历程就有点像人们去「沙滩」

ScienceAI 2021「AI+材料」专题年度回顾

编辑/凯霞传统的材料设计与研发，以实验和经验为主。但随着材料化学和加工变得越来越复杂，这变得越来越具有挑战性。随着人工智能（AI）的快速发展，AI 技术已广泛应用于材料科学各领域。科学家正努力通过计算机建模和 AI 技术，根据所需要的性能预测候选材料，从而加快新材料的研发速度和效率，降低研发成本。AI 正在加速搜索和预测材料特性。在 AI 的助力下，材料在极端、恶劣条件下的性能得到快速且准确的预测，实现了人类目前无法实现的......利用 AI 技术来加速设计和发现尚不存在的材料。这些先进的材料将使技术更先进和更环

准确率达 95%，机器学习预测复杂新材料合成

编辑/绿萝科学家和机构每年都投入非常多的资源来发现新材料，以期为燃料提供催化剂。随着自然资源的减少，以及对更高价值和先进性能产品的需求增长，研究人员越来越多地关注到纳米材料。但识别新材料的连续实验方法对材料发现施加了不可逾越的限制。近日，美国西北大学和丰田研究所（TRI）的研究人员应用机器学习来指导新纳米材料的合成，消除了材料发现相关的障碍。这种训练有素的算法，可通过定义数据集来准确预测可用于清洁能源、化学和汽车行业燃料的重要催化剂。该研究以「Machine learning–accelerated design