计算机已经加速了科学发现。现在，科学家们表示，先进人工智能与下一代云计算的结合正在加速发现的步伐，以加快几年前难以想象的速度。
微软公司和位于华盛顿州里奇兰的太平洋西北国家实验室（PNNL）正在合作，以证明这种加速如何有益于化学和材料科学——这两个科学领域对于寻找世界所需的能源解决方案至关重要。
PNNL的科学家正在测试一种新的电池材料，这种材料是在几周而不是几年内发现的，这是与微软合作的一部分，用于高级人工智能和高性能计算（HPC），这是一种基于云的计算，结合了大量计算机来解决复杂的科学和数学任务。
PNNL材料科学家Shannon Lee混合原料合成新的固体电解质，这是Azure Quantum Elements服务中使用AI和HPC工具预测的有希望的候选之一。Dan DeLong为微软拍摄。
作为这项工作的一部分Microsoft Quantum团队 使用人工智能在几天内识别了大约500000种稳定材料。
这种新的电池材料来自于微软Azure Quantum Elements的合作，该公司将3200万种潜在的无机材料筛选出18种有希望的候选材料，这些材料可以在短短80小时内用于电池开发。最重要的是，这项工作为加快解决紧迫的可持续性、制药和其他挑战的新方法奠定了基础，同时也让我们瞥见了量子计算可能带来的进步。
PNNL首席数字官Brian Abrahamson表示：“我们认为有机会在许多科学领域实现这一目标。”。“最近的技术进步为加速科学发现提供了机会。”
PNNL是美国能源部的一个实验室，在化学和材料科学等多个领域进行研究，其目标包括能源安全和可持续性。这使得它成为与微软的理想合作伙伴，利用先进的人工智能模型来发现新的候选电池材料。
亚伯拉罕森说：“开发新型电池是一项极其重要的全球挑战。”。“这是一个劳动密集型的过程。人工合成和测试材料从根本上来说是有限制的。”
通过尝试和错误学习
材料合成的传统第一步是阅读其他材料的所有已发表研究，并假设不同的方法可能会产生什么结果。PNNL材料科学小组负责人Vijay Murugesan表示：“但主要的挑战之一是，人们发布的是他们的成功故事，而不是他们的失败故事。”。这意味着科学家很少从彼此的失败中受益。
下一个传统的科学步骤是测试假设，通常是一个漫长的迭代过程。Murugesan说：“如果这是一次失败，我们会重新开始。”。他之前在PNNL的一个项目是钒氧化还原液流电池技术需要几年的时间来解决问题并设计新材料。
PNNL材料科学小组负责人Vijay Murugesan表示，微软人工智能和HPC工具使科学家能够消除耗时的试错发现步骤，并专注于测试的最佳候选对象。安德烈亚·斯塔尔为PNNL拍摄。
传统方法需要研究如何改进过去所做的工作。另一种方法是利用所有的可能性，通过消除，找到新的东西。设计新材料需要大量计算，化学可能是量子计算的首批应用之一。Azure Quantum Elements提供了一个为化学和材料科学研究设计的云计算系统，着眼于最终的量子计算，并且已经在致力于这些类型的模型、工具和工作流。这些模型将在未来的量子计算机中得到改进，但它们已经被证明对使用传统计算机推进科学发现很有用。
为了评估其在现实世界中的进展，微软量子团队专注于我们生活中普遍存在的东西——电池材料。
人工智能教材科学
微软首先训练了不同的人工智能系统，对所有可行的元素进行复杂的评估，并提出组合建议。该算法提出了3200万候选人，就像大海捞针一样。接下来，人工智能系统找到了所有稳定的材料。另一个人工智能工具根据候选分子的反应性筛选出候选分子，另一个工具则根据其传导能量的潜力筛选出候选的分子。
这个想法并不是要在假设的大海捞针中找到每一根可能的针，而是要找到大多数好的针。微软的人工智能技术将3200万候选材料削减至约500000种，大多数是新的稳定材料，然后降至800种。
“在模拟的每一步，我都必须进行量子化学计算，相反，我称之为机器学习模型。因此，我仍然可以从运行模拟中获得洞察力和详细的观察结果，但模拟的速度可能快50万倍，”Nathan Baker说，Azure Quantum Elements产品负责人。
人工智能可能很快，但并不完全准确。下一组过滤器使用HPC，它提供了高精度，但使用了大量计算能力。这使得它对于较小的候选材料集来说是一个很好的工具。第一次HPC验证使用密度泛函理论计算每种材料相对于其可能处于的所有其他状态的能量。然后，结合AI和HPC的分子动力学模拟分析了每种材料中原子和分子的运动。
这一过程将名单筛选为150名候选人。最后，微软的科学家们使用HPC评估了每种材料的实用性——可用性、成本等——将列表缩小到23个，其中5个已知。
多亏了这种AI-HPC组合，发现最有前途的候选材料只花了80个小时。
HPC部分占计算时间的10%，这是在一组已经有针对性的分子上。即使在拥有超级计算机的大学和研究机构中，这种密集的计算也是瓶颈，超级计算机不仅不适合特定领域，而且是共享的，因此研究人员可能不得不等待时机。微软基于云的人工智能工具缓解了这种情况。
广泛的应用程序和可访问性
微软的科学家们使用人工智能进行了绝大多数的筛选工作，约占所用计算时间的90%。PNNL材料科学家随后对候选材料名单进行了审查，共有6种材料。因为微软的人工智能工具是针对化学而不是电池系统进行培训的，所以它们可以用于任何类型的材料研究，云总是可以访问的。
亚伯拉罕森说：“我们认为云是一种巨大的资源，可以改善研究社区的可访问性。”。
PNNL首席数字官Brian Abrahamson。安德烈亚·斯塔尔为PNNL拍摄。
如今，微软支持一种特定于化学的辅助工具和人工智能工具，它们共同起着磁铁的作用，可以将可能的针头从干草堆中拉出，从而减少进一步探索的候选数量，让科学家们知道应该关注哪里。贝克说：“我们正在努力实现的愿景是生成材料，在那里我可以要求提供具有我想要的属性的新电池化合物列表。”。
实际操作阶段是项目目前的状态。这种材料已经成功合成，并转化为功能性的原型电池，将在实验室进行多次测试。在商业化之前，在这一点上制造这种材料是手工的。PNNL材料科学家香农·李（Shannon Lee）解释说，第一步是提取材料的固体前体，然后用研钵和杵手工研磨。然后，她使用液压机将材料压实成一个一角的小球。它进入真空管，加热到450到650摄氏度（842到1202华氏度），转移到盒子里，使其远离氧气或水，然后磨成粉末进行分析。
Lee说，对于这种材料，10小时或更长时间的加工“相对较快”。“有时制作一种材料需要一到两周的时间。”
然后必须测试数百个工作电池，经过数千个不同的充电周期和其他条件，然后测试不同形状和尺寸的电池，以实现商业用途。Murugesan梦想开发一种用于化学或材料的数字孪生兄弟，“这样你就不需要去实验室把这种材料组装在一起，制作电池并进行测试。你可以说，‘这是我的阳极，这是阴极，那是电解液，这是我要施加的电压’，然后它可以预测一切将如何协同工作。甚至在10000次循环和五年使用后，材料的性能也会是这样。”
微软已经在开发数字工具，以加快科学进程的其他部分。
锂离子电池说明了漫长的传统过程。锂作为电池组件在20世纪初受到关注，但可充电锂离子电池直到20世纪90年代才上市。
今天，锂离子电池越来越多地用于我们的世界，从手机到医疗设备，从电动汽车到卫星。锂需求根据美国能源部的数据，预计到2030年将增长五到十倍。锂已经相对稀缺，因此价格昂贵。开采它在环境和地缘政治上都存在问题。传统的锂离子电池也存在安全问题，可能起火或爆炸。
许多研究人员正在寻找锂和用作电解质的材料的替代品。固体电解质的稳定性和安全性显示出良好的前景。
令人惊讶的结果
新发现的材料PNNL科学家目前正在测试使用锂和钠以及其他一些元素，从而大幅降低锂含量，可能高达70%。亚伯拉罕森警告说，这一过程尚处于早期阶段，确切的化学成分有待优化，在大规模测试时可能无法确定。他指出，这里的故事不是关于这种特殊的电池材料，而是关于材料被识别的速度。科学家们表示，这项运动本身就非常有价值，它揭示了一些惊喜。
人工智能衍生材料是一种固态电解质。离子在电解液中来回穿梭，在阴极和阳极之间，理想情况下电阻最小。
