研究示意图。图片来源：加州大学圣地亚哥分校
　　美国加州大学圣地亚哥分校工程学院的纳米工程师开发了一种人工智能（AI）算法，可几乎即时地预测任何材料（无论是现有材料还是新材料）的结构和动态特性。此项研究成果28日发表在《自然·计算科学》杂志上。
　　该算法被称为M3GNet，用于开发Matterverse.ai数据库，该数据库包含超过3100万种尚未合成的材料，其特性由机器学习算法预测。数据库还促进了具有卓越性能的新材料的发现，研究人员可使用其来寻找更安全、能量密度更高的可充电锂离子电池电极和电解质。
　　材料的性质由其原子排列决定。研究人员表示，与蛋白质类似，人们需要了解材料的结构才能预测其特性。换句话说，需要的是用于材料的“阿尔法折叠”。
　　鉴于此，为了构建材料的等价物，研究团队将图形神经网络与多体交互相结合，构建了一种深度学习架构，可在元素周期表的所有元素中通用、高精度地工作。
　　为了训练他们的模型，该团队使用了过去十年在材料项目中收集的巨大的材料能量、力和应力数据库。M3GNet原子间势（IAP）则可预测任何原子集合中的能量和力。最终Matterverse.ai是通过对无机晶体结构数据库中的5000多个结构原型进行组合元素替换而生成的，然后使用M3GNet IAP获得平衡晶体结构，用于属性预测。
　　在今天数据库的3100万种材料中，预计有超过100万种材料具有潜在的稳定性。团队不仅打算大大扩展材料的数量，还打算大幅扩展机器学习预测属性的数量。
　　新成果在材料动态模拟和性能预测方面也有广泛的应用。例如，人们通常对锂离子在电池电极或电解质中的扩散速度很感兴趣。扩散越快，电池充电或放电的速度就越快。研究证明，M3GNet IAP可用于准确预测材料的锂电导率。研究人员坚信M3GNet架构是一种变革性工具，可极大地扩展对新材料化学和结构的探索能力。