材料开发的新手段：人工智能会代替材料学家吗？

人工智能作为一种手段，是怎么帮助我们更快地发现新材料的。

这一理念来自IBM欧洲研发中心的资深工程师派泽-科纳普（Edward O. Pyzer-Knapp），他长期钻研人工智能对科学新发现的推动作用，还在2022年出版了一本《给物理学家的深度学习》，引起了学术界的注意。

关于人工智能对材料研发进程的影响，科纳普和中科院上海陶瓷研究所合作，进行了系统性的研究，在2022年整理出了一份报告，发表在了《自然》期刊旗下的《计算材料》上。报告内容很长，专业性也很强，对整个领域有着特别深刻的认识。

材料界的痛点

要说人工智能作为一种新手段，助力新材料的开发，那么我们首先就得知道，材料界现在遇到了什么问题？为什么必须要引入人工智能来解决？

最核心的痛点就是，物质的种类实在是太多了，以至于材料学界正在陷入迷惘当中，停滞不前。在过去的一百年里，新材料发展的速度快得惊人，快到你可能都意识不到。举个例子，塑料这种我们现在已经离不开的材料，其实是上世纪70年代才流行起来的。在这之后，新型的塑料不断被发明出来，我们每一天日常生活差不多都要接触十几种不同的塑料。

但是俗话说，过犹不及，现在的材料学正在走进“多就是少”的阶段。

我们都知道，物质是由原子构成的，不同的原子，采取不同排列方式，就可以得到不同的物质。根据这样的规则，能够估算出，可能存在的物质种类有10的108次方这个数量级。这是一个超级巨大的天文数字，因为整个宇宙中的原子总数也不过10的80次方左右。可以这么打个比方，我们开发新材料，就和在沙滩上捡贝壳差不多，贝壳的数量非常多。刚刚开始捡的时候，随便一个贝壳都会让我们感觉很新鲜，捡起来也很快。但是，等到装贝壳的兜子快满了的时候，沙滩上无数的贝壳就成了烦恼，因为想挑到一种比之前更好看的贝壳，就需要不停地筛选，工作量实在是太大了。

以前我们在材料的开发上，也是靠着一些套路去寻找新的可能性。但是，这些套路往往只是一些经验规律。是不是会有反常识的套路出现，对人类来说，这是一个巨大的工作量。

但如果人工智能采用一些特定的算法，就有可能实现新的突破。而在新材料筛选的算法上，也是靠输入大数据，由人工智能进行深度学习和检索分析，看哪些结构最有可能发挥作用。

通过这种学习，机器可以训练出新的模型，并根据模型筛选出一个数据库，数据库中的新物质，经过模拟真实环境的测试之后，确定最优的目标。机器甚至还会给出合成方法的指导，让研究人员去尝试。这样一来，寻找新材料就不再是一个漫无边际的事情了，而是可以根据人工智能给出的结果，缩小范围，更快地找到新目标。

实际应用

那好，这样的算法逻辑，听起来是不错，实际应用的情况怎么样呢？

研究人员把这套算法用在寻找一类叫PAG的新材料上。PAG的学名是光致酸生成剂，是光刻胶里面的一种成分。在光照之下，它可以产生酸性的物质，改变光刻胶的特性，用于芯片加工。PAG是一种非常尖端的材料，对它的研究马虎不得，而且花费也会十分高昂。你想，作为研究人员，每开发一种PAG，都得在实际的光刻机上应用以后，才能知道它到底怎么样。按照常规的筛选方式，一个课题开发出一个系列几百种备选的材料，也是常有的事。但是，这其中只有极少数可能被用上，甚至还可能全军覆没。但是，按照前面说到的逻辑，利用人工智能进行新材料的开发，目标会非常明确，省钱又省力。

在已知的PAG系列中，已经得到广泛应用的几类材料并不是很完美，它们存在生物累积和致毒的风险。简单来说，就是如果长期接触这些PAG，人体有可能会积累这些成分，出现中毒现象。那利用人工智能，就能发现健康又环保的新PAG吗？还真可以。具体的做法是，第一步，研究人员把超过6000份专利、论文以及数据源全都输入到工作平台上，让机器进行深度学习。按照一般的篇幅计算，如果是研究人员亲自阅读这些内容，需要半年到一年的时间。通过对这些研究成果的学习，机器首先筛选出大约5000种PAG的结构。在这个基础上，一些关键指标达不到要求的PAG会被剔除，机器再根据它们的参数进行分类计算，从而判断出哪些结构是有利于最终目标的。这样一来，机器就可以根据学习的结果生成一个数据库，库中包含大约3000种候选目标。

这些目标，大多数是全新的物质，并没有被前人研究过。整个数据库的生成，只花费大约六小时。同样的工作量要是交给常规的科研团队，一般得花上几个月的时间。

在这3000多个候选目标中，机器继续进行学习，构建出新的模型，最终选出大约400种最有可能的目标，用它们进行模拟实验。而且，这些模拟实验并不需要在光刻机上实际进行，同样也是根据机器学习的结果，对它们进行筛选，找出其中性能最优的那一个。实际上，通过改进算法，这项筛选甚至不用将所有目标都运行一遍。研究人员只试了90多个候选材料，就找到了最心仪的目标。随后，机器又根据学习结果推荐了“一步法”的合成路线。“一步法”是化学里的术语，意思是原料加到反应设备里，产物直接就可以合成出来，不需要额外的操作工序。“一步法”合成的材料，在工业化的时候会很有优势。研究人员根据算法给出的方案进行验证，的确获得了比较理想的结果。也就是说，把人工智能用在新材料的开发上，可行性非常高。实际操作中，还有很多指标需要去考虑，经常会出现一种材料某方面很优秀，而另外一方面却很糟糕的情况，机器评价起来就会有难度。这也就回答了我开头提到的那个重要的问题，就是人工智能被应用以后，材料学家会不会失业？

从目前的机器学习逻辑来看，材料学家的工作还是不可替代的，不仅需要提供原始的科研资料供机器学习，而且对于新材料性能的一些判断，也不可能完全交给机器去完成。

不管怎么说，对于新材料领域而言，人工智能已经开启了一种全新的模式，未来可期。