无机晶体对于许多当代技术至关重要，包括计算机芯片、电池和太阳能电池板。每一个新的、稳定的晶体都是经过数月的细致实验得到的，稳定的晶体对于推动新技术具有重要意义，因为它们不会溶解。
研究人员进行了昂贵的试错实验，但只取得了有限的结果。他们通过修改现有的晶体或尝试其他不同的元素组合来寻找新的晶体结构。在过去的十年中，多亏了Materials Project和其他组织推动的计算方法，已经找到了28,000种新材料。到目前为止，新材料在实验上可行性可靠预测的能力一直是一个重大限制。
劳伦斯伯克利国家实验室和Google DeepMind的研究人员在《自然》杂志上发表了两篇论文，展示了我们AI预测用于自主材料合成的潜力。该研究展示了2.2百万颗更多的晶体，相当于大约800年的信息。他们的新型深度学习工具，被称为Graph Networks for Materials Exploration（GNoME），可以预测新材料的稳定性，大大提高了发现速度和效率。GNoME展示了AI在大规模发现和开发新材料方面的潜力。全球各地不同实验室的科学家们同时进行了独立的努力，已经找到了736种这些新颖结构。
得益于GNoME，技术可行材料的数量增加了两倍。在它的2.2百万个预测中，有380,000个由于稳定性而最有希望进行实验合成。其中一些有能力创造下一代电池，提高电动车的效率，以及用于强大超级计算机的超导体。
GNoME是一种先进的图神经网络模型示例。由于GNN的输入数据类似于原子之间的连接关系，因此GNN非常适合找到新的晶体材料。
最初用于训练GNoME的晶体结构及其稳定性的数据可通过Materials Project公开获取。使用“主动学习”作为训练方法显著提高了GNoME的效率。研究人员使用GNoME生成新的晶体候选，并预测它们的稳定性。他们使用密度泛函理论（Density Functional Theory，DFT），这是物理学、化学和材料科学中广为接受的计算方法，用于理解原子结构——这对于评估晶体稳定性至关重要——以在不断进行的训练周期中反复检查模型的表现，以评估其预测能力。高质量的训练数据又回到了这个过程中。
研究结果显示，这项研究将材料稳定性预测的发现率从50%左右提高到了80%，参考以前最先进模型设定的外部基准。对该模型效率的改进使发现率从不到10%提升到了80%以上；这些效率的提升可能对每一次发现所需的计算功率有重大影响。
自主实验室使用Materials Project的成分和GNoME的稳定性信息，已经创造出了超过41种新的材料，为人工智能驱动的材料合成的进一步发展铺平了道路。
GNoME的预测结果已经向科学界发布。研究人员将这些化合物的分析结果和稳定性信息添加到Materials Project的在线数据库中，共计380,000种材料。借助这些资源，他们希望科学界能够进一步研究无机晶体，并认识到机器学习技术作为实验指南的潜力。