在材料科学领域，2023年一项重磅突破引发全球关注：谷歌DeepMind团队基于图神经网络（GNoME）的人工智能系统，成功预测了220万种此前未知的稳定晶体结构，其中38万种具有潜在应用价值，例如可提升电池能量密度的固态电解质、高温超导体等。这项成果发表于《自然》杂志，其核心在于通过机器学习模型模拟量子力学计算，将材料稳定性预测速度提升至传统方法的100倍以上。目前，部分预测结果已通过美国劳伦斯伯克利国家实验室的自动化机器人实验平台验证，未来或大幅缩短太阳能、半导体等关键材料的商业化周期。

原文链接：Scaling deep learning for materials discovery | Nature