DeepMind · 训练
DeepMind 利用深度学习发现数百万种新材料
DeepMind 宣布通过深度学习模型发现了数百万种新型材料，这一成果大幅扩展了已知材料的数据库。研究团队利用图神经网络预测晶体结构的稳定性，并筛选出具有潜在应用价值的候选材料，涵盖电池、催化剂和半导体等领域。该工作不仅展示了 AI 在材料科学中的巨大潜力，也为加速新材料的实验验证提供了可靠起点。
- 域名
deepmind.google- 评分
- 5 · 重大发布
- 发布
- 2026-03-03
导读
DeepMind 在 Nature 论文里公布了 Graph Networks for Materials Exploration，简称 GNoME，一次性预测出 220 万种全新晶体结构，其中 38 万种被判定为热力学稳定，相当于把人类已知的稳定无机晶体从此前的约 4.8 万种扩充到 42.1 万种，等同于近 800 年实验工作的产出。
GNoME 是图神经网络模型，把晶体中的原子视为图节点、化学键视为边，从 Materials Project 公开的结构-稳定性数据中学习能量预测。系统并行两条管线：结构管线从已知晶体出发做局部变体，组合管线则根据化学式做更随机的探索；候选材料用密度泛函理论 DFT 重新计算稳定性，验证过的样本再回填进下一轮主动学习。Lawrence Berkeley 国家实验室同期在 Nature 发表配套论文，证明 GNoME 的预测可直接驱动自主合成机器人完成 41 种新材料的实际制备。
对研究者而言，这意味着新材料筛选可以从“修改已知结构、漫长试错”前移到大规模虚拟筛选阶段。GNoME 预测的 38 万种稳定候选已贡献给 Materials Project 数据库，覆盖超导体、新一代电池电极和半导体等方向，为电动车续航、超算冷却等下游应用提供了高密度的实验起点。