【资料图】

美国加州大学圣地亚哥分校雅各布斯工程学院的纳米工程师开发了一种人工智能（AI）算法，几乎可以即时预测任何材料（无论是现有材料还是新材料）的结构和动态特性。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。这一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。然而，现有的获得这种安排的方法要么过于昂贵，要么对许多元素无效。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。因此，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，形成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)可以预测任何原子集合中的能量和力。Matterverse.ai是通过对无机晶体结构数据库 (ICSD) 中的 5,000 多个结构原型进行组合元素替换生成。然后使用M3GNet IAP获得平衡晶体结构，用于属性预测。

雅各布斯工程学院可持续能源与能源中心副主任Shyue Ping Ong说，“我们已经证明，M3GNet IAP可用于准确预测材料的锂电导率。我们坚信M3GNet架构是一种变革性工具，可极大地扩展我们探索新材料化学和结构的能力。”为了推广M3GNet的使用，该团队已将该框架作为开源Python代码发布在Github上。自 2022 年 2 月在Arxiv上发布预印本以来，引起了学术研究人员和业内人士的兴趣。有计划将M3GNet IAP作为工具集成到商业材料模拟包中。

该论文研究题为“A Universal Graph Deep Learning Interatomic

Potential for the Periodic Table”，于11月28日发表在Nature Computational Science上，主要作者为美国加州大学圣地亚哥分校工程学院的纳米工程师Shyue Ping Ong教授。

前瞻经济学人APP资讯组

论文原文：

https://assets.researchsquare.com/files/rs-1348213/v1_covered.pdf?c=1649089343&utm_source=miragenews&utm_medium=miragenews&utm_campaign=news

更多本行业研究分析详见前瞻产业研究院《2022-2027年中国人工智能行业市场前瞻与投资战略规划分析报告》同时前瞻产业研究院还提供产业大数据、产业研究、政策研究、产业链咨询、产业图谱、产业规划、园区规划、产业招商指南、IPO募投可研、IPO业务与技术撰写、IPO工作底稿咨询等解决方案。

标签： 人工智能 即时预测