AI能发现上百万种材料的时代，为什么我们依然需要做实验？

纪源资本·2024-10-29

「计算科学」是如今那些尚未解决的科学难题的万能灵药吗？

编者按：本文来自微信公众号纪源资本(ID：JiyuanCap)，作者：投资笔记，创业邦经授权转载。

2024年诺贝尔物理学奖和诺贝尔化学奖于10月揭晓，获奖者分别为美国科学家约翰·J·霍普菲尔德（John J.Hopfield）与英国科学家杰弗里·E·辛顿（Geoffrey E.Hinton），以及美国生物化学家大卫·贝克（David Baker）和谷歌旗下DeepMind公司AI科学家德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John M.Jumper）。

此次收获诺贝尔物理学奖的Hinton，他身上最广为人知的标签是「深度学习教父」——OpenAI前首席科学家Ilya Sutskever就是他的学生。而另一位获奖者Hopfield，在上世纪80年代，许多物理学家都曾利用Hopfield设计的、以自己名字命名的神经网络，实现了由物理学到神经科学的跨越。

而本届诺贝尔化学奖的三位得主之中，两位来自商界，就职于DeepMind，获奖原因是其所研发出的“AlphaFold2”模型在蛋白质结构预测方面的成就；另一位获奖者David Baker，他的主要贡献在于——让蛋白质设计从实验室的试管，搬进了计算机的虚拟世界。

相较于往年，本届诺贝尔奖的评选与所嘉奖的研究方向都很具开创性——当然，这也带来了诸多争议。有人质疑获诺奖的人工神经网络并不属于传统物理学，也有人认为跨界学科正成为潮流。

围绕本届化学奖的讨论则相对更温和些——获奖者所研发的AlphaFold2模型能辅助解决蛋白质结构的复杂难题，目前全球已经有超过200万人使用该模型，其背后折射的大趋势则是计算科学愈发重要的地位。多数观点认为，借助AI，科学家们不再需要投入大量精力去计算和实验，对于化学、生物、材料等领域都有很大帮助。

那么，我们要如何理解「计算科学」，它是如今那些尚未解决的科学难题的万能灵药吗？而过去数年行业内更熟悉的实验，在AI炙手可热的今天，是否依然是检验真理的唯一标准？

或许我们可以从当下AI+材料的发展趋势中窥得一二。

从古代炼金术到AI计算，材料发现的路径变迁

有个说法是，中世纪的炼金术是当代化学的雏形——尽管当时的术士热衷的是把基本金属转变为黄金，或者是制备长生不老药。

但其实，中国古代的铸剑术可能也是早期新材料研究方式的一种——铸剑师通过淬火而得到更高的材料强度，也能改善剑的锐利程度。

某种意义上，材料行业正式以「计算」为主要研究方式之前，材料的发现与研究是典型的「实验科学」。术士将各种矿石放在一起冶炼，通过Trials and Errors（试错法）的方式去发现新材料；现代科学中的材料发现某种意义上也与这一逻辑类似——不断地试错，不断地测试，在数千次、乃至数万次失败与偶然中，寻找可能存在的答案。

一个例子是我们如今都熟悉的橡胶。在11世纪南美洲就有用橡胶制作橡胶球，用于游戏的历史；此后在19世纪，欧洲也开始出现橡胶工业，诞生了人类最早的橡胶雨衣、世界上最初的松紧带等等，但因为橡胶天冷会开裂、天热会变软的技术问题，橡胶工业一度陷入绝境。

直到一个叫古德伊尔的失业的美国人——他相信，如果能改善天然橡胶，打破温度的限制，那么橡胶一定有巨大的潜力。他没有学过有机化学，于是不断地实验——在橡胶里掺入松节油、镁粉、石灰甚至火药，用硝酸溶液的蒸汽处理橡胶……直到一次偶然，他把一块有硫磺的橡胶片扔进火炉，才发现了橡胶的硫化反应能让这种材料更稳定。

化学理论不发达的时代，人们只能靠一遍遍尝试来寻找科学的一线曙光。毫无疑问，幸运的人或许能因为一次偶然成功，但时间也是不可控的；更多的人甚至无法在历史上留有姓名。

但此后，现代科学将整个行业推入了新的阶段，所有物质回归到最初的原理：物质由原子构成，原子包含电子云的排布，并且会结合成为分子，因此对于物质晶粒尺度的计算可以达到极为精密的程度。

纪源资本高级投资经理吕一然向投资笔记介绍，计算科学，便是秉持着从微观进入，进而上升到介观，最后再到宏观的视角，通过单纯的计算去寻找新材料的可能性。

不过，只有计算是不够的。科学家可以通过系统调整元素的搭配，预先筛选出可能出现的新材料种类，并且剔除掉一些不符合目前需求的种类——但最终，人们还是需要通过实验去测试材料的性能，“最终我们仍然相信，实验是检验真理的唯一标准，必须得‘眼见为实’。”吕一然说。

如今，AI正在运用于大量新事物的发现甚至生成之中。谷歌DeepMind所推出的材料探索图形网络GNoME（Graph Networks for Materials Exploration）技术已经被用于预测220万种新材料的结构，被称为材料发现领域的AlphaFold。

计算科学的伟大与局限

每一类材料都有自己的特点，也就带来了不同的研发规律。有机分子里边有“基团”的概念，每个基团其实会带有一定的特性。科学家锚定了自己所需要的材料特性之后开始设计分子。

那么，新的材料以怎样的速度进行着更迭？

爱迪生在实验各种潜在的灯丝材料时，做了无数次实验，从当时所有可用的金属到烧焦的竹炭，尝试了无数种材质。而当他确定钨丝为履行灯丝职责的最佳材料之后，人们沿用了百年。

再比如，人们所熟知的有机发光半导体OLED（Organic Light-Emitting Diode）之中的发光材料应当是什么？科学家首先将他们脑海中最佳材料的必要性能勾勒一番，再去寻找适合的材料。

但这又带来一个问题：想象中的性能有了，但分子是否真正具有可合成性，足以形成稳定的材料？

“当人们审视一种材料时关注到的维度会比较多，一方面希望它具有它该有的特性，另一方面也需要注意到其中的短板。例如，该材料是否能够被合成，合成的成本是否可控，成品是否足够稳定，材料投入使用后的工况是怎样的等等。”吕一然说。

此外，还有一个多少有些反直觉的故事是，我们会认为很多材料行业的创新是「0到1」式的，但实际上，很多时候，材料的革新是在历史的漫长周期里，“渐进”式发展的。

比如，汽车诞生以来，汽车钢的性能不断被提升，强度不变的基础上，车身却越来越轻，钢板的厚度也越来越薄。其中最主要的元素无疑还是铁元素，后面逐渐出现碳钢板，又被添加了铬、锰等元素。

通过计算发现材料的一个主要方法论是「第一性原理」——它计算的是原子核外的电子分布，以及相应的物理性质。但是计算无法达到尽善尽美，电子之间的相互作用往往难以被精确求解。此外，每种材料都多少存在缺陷。综合以上2点原因，在计算无法达到尽善尽美的情况下，计算结果常常会被迫进行一些近似处理。这也解释了量子物理层面所看到的“不确定性”。也因此，“缺陷”成为了材料的一部分。

我们之前提到的，被称为材料发现领域的AlphaFold的材料科学搜索网络GNoME增加了220万种新材料结构，这在吕一然看来，不仅使得材料的预测成为可能，而且在某种程度上，远远比人类的手动发现要高效得多。

不过，一旦上升到“应用”阶段，如何将材料合成、并使其达到理论强度，却是一项挑战。

而石墨烯，理论上拥有目前人类已知材料中最高的导热速度，同时，石墨烯有很低的电阻率，也就意味着它的导电性能比绝大多数材料都要好，此外，石墨烯也有很高的硬度，因此它的应用方向有柔性透明电极、光伏器件等等，还能被制成超轻型飞机材料或是防弹衣。

与此同时，虽然石墨烯的理论强度足够大，但在实际应用中——据吕一然分享，实际通过材料制造与合成做出来的石墨烯，它的强度可能只有理论的十分之一不到。

在吕一然看来，在拥有如此有利的研究工具条件下，人类所面临的挑战之一是，确定自己是否已经找到了针对某个特定解决方案的，最合适的材料。

在电动汽车起量之前，碳化硅（SiC）在半导体领域的应用是十分有限的，然而它已经逐渐成为了第三代半导体的代表。随着人们对自己所需材料特性的一步步了解，对于新材料的探索也在持续着，这也将带来材料的更新换代。

计算科学的春天

通过计算而非实验来进行蛋白质结构预测，这件事的影响力因诺贝尔化学奖的颁发而被放大了。

从实验科学中逐渐加入计算科学的加持，可以用的“工具”有很多，例如密度泛函理论（Density functional theory），蒙特卡罗方法（统计模拟法或统计试验法，是一种以‌概率统计理论为基础的数值计算方法），有限元法（FEM，Finite Element Method）等，分子动力学（Molecular Dynamics）等的诞生本身也基于不同的底层原理和更多的计算方式。

以往人们通过自己的经验进行方案的初筛，例如筛出更可能满足所需特性的材料，颇有意思的一点是，有的时候，依靠计算所获得的结果与自己凭借直觉与经验所得到的结果颇为相像。

微信图片_20241029141313.jpg