2023 年 11 月，Google DeepMind 在 Nature 上公布了 GNoME（Graph Networks for Materials Exploration）——一个用图神经网络预测晶体材料稳定性的系统。它一次性给出了约 220 万个新的晶体结构，其中约 38 万个被预测为热力学稳定、有望真实合成[gnome]。作为对比，人类科学家此前数十年累积进入数据库的稳定无机晶体，量级只有约几万到十几万。
这个数字的冲击在于：发现新材料长期以来是一门近乎"炼金术"的手艺——靠直觉、经验和大量试错，在实验室里一炉一炉地烧、一次一次地测。一种新电池材料、新催化剂、新超导体，从设想到实现常以十年计。GNoME 这类工作宣告了另一种可能：先在计算机里"算"出哪些材料可能存在、可能稳定，再有的放矢地去合成。
但 220 万这个数字也极易被误读。这一页要讲清楚：计算材料设计到底做到了什么、它的"预测"分量有多重、又远远没做到什么。
破除误解："预测了 38 万种新材料"不等于"造出了 38 万种新材料"
最容易被夸大的，正是 GNoME 那个亮眼的数字。"预测稳定"和"已经合成、已经验证有用"之间，隔着巨大的鸿沟。GNoME 给出的是热力学稳定性的预测——即这些结构在能量上不会自发分解；但能不能真的合成出来、合成出来性能如何、有没有实用价值，绝大多数仍是未知数。
更要厘清两个层次。其一，"稳定"只是材料有用的必要而非充分条件——一块稳定的石头并不等于一块好电池材料。其二，预测依赖的密度泛函理论（DFT）本身有近似误差，机器学习模型又是在 DFT 数据上训练的，误差会叠加传递。所以这 38 万更应被理解为一份高质量的候选名单，而不是一座已经建成的材料宝库。
第二个误解：AI"取代"了实验。恰恰相反，计算的价值在于缩小搜索空间、给实验指方向。最终判定一种材料行不行，还得回到实验台。计算与实验是协作关系，不是替代关系。
现场：第一性原理——用量子力学"算"出材料性质
计算材料设计的根基是第一性原理计算（first-principles / ab initio），其中最常用的是密度泛函理论（density functional theory, DFT）。它的雄心是：不靠任何经验参数，只从量子力学的基本方程出发，算出一种材料的能量、结构、电子性质——理论上，给定原子种类和排布，就能预测它的行为。
DFT 在过去三十年彻底改变了化学与材料科学（其奠基者 Walter Kohn 因此获 1998 年诺贝尔化学奖），但它有两个现实约束。一是精度：DFT 用近似的"交换关联泛函"，对某些体系（强关联电子、范德华作用、反应能垒）误差不小。二是算力：算一个体系要解大量方程，体系越大、越复杂，计算成本陡增——靠纯 DFT 逐一筛选数百万候选材料，在算力上根本不现实。
正是这个"算力墙"，给机器学习留出了舞台。
现场：机器学习如何给 DFT 装上加速器
机器学习在材料发现里扮演的核心角色，是当一个便宜得多的代理模型。研究者先用 DFT 算一批材料的性质作为训练数据，再训练神经网络去"学会"从原子结构直接预测能量与性质。一旦训练好，模型预测一个新结构只需毫秒级，比跑一次完整 DFT 快上几个数量级——于是筛选几百万候选成为可能。
GNoME 用的就是这套思路：用图神经网络（把晶体表示成原子为节点、化学键为边的图）预测形成能，从而判断稳定性；再用一种"主动学习"的循环——模型挑出最有希望的候选，用 DFT 验证，把结果喂回去再训练——不断扩大可靠预测的疆域。这种"机器学习 + DFT 循环"是当前材料发现自动化的主流范式。
更前沿的一步是把发现"实体化"。伯克利的 Materials Project（由 Kristin Persson 等创建，是全球最大的开放材料数据库之一）配套了一个自动化实验室 A-Lab，尝试用机器人按计算给出的配方去实际合成候选材料、闭环验证。这代表了"算-合成-测"全自动闭环的雏形，但目前规模和成功率仍有限，更多是概念验证而非成熟产线。
谁在做、做到了哪一步
| 环节 | 代表工作/平台 | 成熟度（截至 2026） | 核心局限 |
|---|---|---|---|
| 开放材料数据库 | Materials Project、OQMD、AFLOW | 成熟、广泛使用 | 受 DFT 精度约束 |
| ML 加速稳定性预测 | GNoME（DeepMind） | 研究突破 | 预测≠合成≠有用 |
| 机器学习势函数 | MACE、M3GNet 等通用势 | 快速发展 | 外推可靠性 |
| 自动化合成闭环 | Berkeley A-Lab | 早期概念验证 | 成功率、普适性 |
- 开放数据库（Materials Project 等）已是全球材料研究的基础设施，被广泛使用，这是最成熟、最确定的成果。
- GNoME 等 ML 预测是真实的研究突破，但其"38 万稳定材料"是预测候选，需逐一实验验证，已有学者对其中可被合成、有实际价值的比例提出审慎讨论。
- 自动化合成闭环（A-Lab）令人兴奋，但仍是早期探索，远未成为常规手段。
代价与争议
- 预测被当成成果。 "AI 发现几十万种材料"的标题极易误导公众与投资者。预测稳定的结构里，多少能合成、多少有用，仍是巨大问号——这是该领域最需警惕的过度宣传。
- DFT 误差的天花板。 机器学习模型在 DFT 数据上训练，继承了 DFT 的系统误差；对 DFT 本就算不准的体系（强关联、催化反应能垒），ML 也难以真正超越。
- "稳定"远不等于"有用"。 热力学稳定只是入场券，离子电导、强度、可加工性、成本、毒性、可持续性，没有一项是稳定性能保证的。
- 数据偏差与可复现性。 训练数据覆盖不到的化学空间，模型外推不可靠；不同小组的模型、数据、判据不一，结果可复现性需要更严格的标准。
- 合成这一关无法被绕过。 再聪明的预测，都要靠真实合成兑现，而合成路线本身往往比预测结构更难，这一环远未被自动化攻克。
- 算力与开放的张力。 最强的模型和算力集中在少数大公司手里，材料科学的开放协作传统面临被私有化的隐忧。
- "新材料"定义之争。 GNoME 发布后，有研究者指出其中相当一部分"新结构"是已知材料的微小变体或近似重复，真正前所未见且新颖的比例远低于标题数字——这提醒我们以严谨标准审视"发现"二字。
- 评价基准的缺位。 不同团队用不同数据、不同泛函、不同稳定性判据，导致结果难以横向比较；这个领域缺少像图像识别那样公认的统一基准，使"谁更强"的宣称往往难以验证。
- 逆向设计仍是远景。 当前主流仍是"先生成大量候选，再筛选"，而真正按目标性能直接反推材料结构（inverse design）尚处早期，把它说成已实现是超前的。
- 可解释性的代价。 神经网络给出预测却往往说不清"为什么"，这与材料科学追求机理理解的传统存在张力——算得准不等于懂得深。
未知的边界
- GNoME 预测的几十万稳定材料中，最终有多大比例能被真实合成、并被证明有实用价值？这需要多年实验验证。
- 机器学习势函数能否在训练数据之外可靠外推，预测全新化学体系而不"想当然"？
- 能否突破 DFT 的精度天花板，让计算对催化反应、强关联材料也足够准？
- "算-合成-测"的全自动闭环能否从概念验证走向真正高产、普适的材料发现工厂？
- 计算能否不只预测"存在哪些稳定结构"，而是反过来——给定目标性能，逆向设计出满足要求的材料（inverse design）？
- 在电池、催化剂、超导体等具体领域，计算驱动的发现究竟比传统试错快多少、省多少？真实的端到端加速倍数仍待严格评估。
跨域连接
- 密度泛函的系统性误差：密度泛函理论把多体波函数换成三维电子密度，才让成百上千个原子的体系可算；代价是交换关联泛函未知、只能近似。因此误差不是随机的而是系统性的：常用泛函普遍低估带隙，对强关联氧化物甚至给出错误基态。用一个带系统偏差的量去排序候选材料，排序本身也会整体偏移，而不只是变噪。
- 机器学习势函数：用第一性原理数据训练原子间势，可在接近其精度的前提下把分子动力学推到更大体系与更长时间。但神经网络在训练分布之外外推极差，而且它不会主动告诉你自己正在外推——所以可用的做法必须带不确定度估计与主动学习：模型遇到陌生构型就触发新的高精度计算，把自己拉回分布之内。
- 主动学习的前提：材料组合空间大到无法穷举，贝叶斯优化靠"预期收益最大"来挑下一个实验。它跑赢随机搜索的前提是代理模型的不确定度是校准的——若模型对自己不懂的区域给出过窄的置信区间，采样就会困在已知的小山头上。文献报告的加速倍数因此高度依赖基准集结构，不能直接外推到真实实验室。
- "发现"的操作性定义：2023 年一项深度学习工作宣称筛出两百多万个新晶体结构、其中三十八万个稳定；随后有材料学者指出，这里的稳定只是指落在计算凸包之下，抽样检查中同时满足新颖、可信、有用的极少。争论的焦点不是算错了，而是"新材料"这个词在流水线里被操作化成了什么。
- 算得出不等于做得出：计算给出的是基态热力学稳定性，合成走的却是动力学路径：需要合适的前驱体、温度窗口与驱动力，产物往往停在亚稳相。因此大量被预测的化合物从未被做出来，不是因为预测错了，而是没人知道怎么到达那里。合成路径预测目前远落后于结构预测，这才是真正的瓶颈。
参考文献
- Merchant, A. et al. Scaling deep learning for materials discovery. Nature 624, 80–85 (2023). DOI: 10.1038/s41586-023-06735-9.
- Szymanski, N. J. et al. An autonomous laboratory for the accelerated synthesis of novel materials. Nature 624, 86–91 (2023). DOI: 10.1038/s41586-023-06734-w.
- Jain, A. et al. Commentary: The Materials Project: A materials genome approach to accelerating materials innovation. APL Materials 1, 011002 (2013). DOI: 10.1063/1.4812323.
- Kohn, W. & Sham, L. J. Self-Consistent Equations Including Exchange and Correlation Effects. Physical Review 140, A1133–A1138 (1965). DOI: 10.1103/PhysRev.140.A1133.
- Butler, K. T., Davies, D. W., Cartwright, H., Isayev, O. & Walsh, A. Machine learning for molecular and materials science. Nature 559, 547–555 (2018). DOI: 10.1038/s41586-018-0337-2.
延伸阅读
- Curtarolo, S. et al. The high-throughput highway to computational materials design. Nature Materials 12, 191–201 (2013). DOI: 10.1038/nmat3568. 理解高通量计算材料筛选思想的奠基性综述。
- Materials Project（materialsproject.org）开放数据库，是亲手探索计算材料数据的最佳入口。