美國加州大學圣地亞哥分校工程學院的納米工程師開發了一種人工智能（AI）算法，可幾乎即時地預測任何材料（無論是現有材料還是新材料）的結構和動態特性。此項研究成果28日發表在《自然·計算科學》雜志上。
該算法被稱為M3GNet，用于開發Matterverse.ai數據庫，該數據庫包含超過3100萬種尚未合成的材料，其特性由機器學習算法預測。數據庫還促進了具有卓越性能的新材料的發現，研究人員可使用其來尋找更安全、能量密度更高的可充電鋰離子電池電極和電解質。
材料的性質由其原子排列決定。研究人員表示，與蛋白質類似，人們需要了解材料的結構才能預測其特性。換句話說，需要的是用于材料的“阿爾法折疊”。
鑒于此，為了構建材料的等價物，研究團隊將圖形神經網絡與多體交互相結合，構建了一種深度學習架構，可在元素周期表的所有元素中通用、高精度地工作。
為了訓練他們的模型，該團隊使用了過去十年在材料項目中收集的巨大的材料能量、力和應力數據庫。M3GNet原子間勢（IAP）則可預測任何原子集合中的能量和力。最終Matterverse.ai是通過對無機晶體結構數據庫中的5000多個結構原型進行組合元素替換而生成的，然后使用M3GNet IAP獲得平衡晶體結構，用于屬性預測。
在今天數據庫的3100萬種材料中，預計有超過100萬種材料具有潛在的穩定性。團隊不僅打算大大擴展材料的數量，還打算大幅擴展機器學習預測屬性的數量。
新成果在材料動態模擬和性能預測方面也有廣泛的應用。例如，人們通常對鋰離子在電池電極或電解質中的擴散速度很感興趣。擴散越快，電池充電或放電的速度就越快。研究證明，M3GNet IAP可用于準確預測材料的鋰電導率。研究人員堅信M3GNet架構是一種變革性工具，可極大地擴展對新材料化學和結構的探索能力。
