刚刚 发自 凹非寺
量子位 | 公众号 QbitAI
人类已经卷了一百多年的“物理学圣杯”竞赛，终于等来了AI选手下场。
刚刚，阿里达摩院联合中国人民大学高瓴人工智能学院、中国科学院大学等机构，发布了首个专攻超导材料发现的AI智能体“ElementsClaw”（元素虾）。
只用了28个GPU小时，ElementsClaw就给已知的240万种稳定晶体统统海选了一遍，预测其中的6.8万种可能是超导体。
对比人类100多年才发现2000多个超导材料的效率，AI这简直是光速交卷。
快是快了，但靠不靠谱啊？
研究团队选了几种比较好合成的试了试，结果发现4种是人类此前未知的全新超导体。
目前，他们已经把AI对这240万种材料的预测数据（有没有超导性、结构是什么、临界温度是多少等等）全部开放，欢迎更多研究人员一起来挖矿。
（插播一个直通车：https://science.damo-academy.com/#/material）
万一呢，说不定里面就藏着下一个改变世界的材料（doge）。
超导：寻找物理学终极材料，竟是“炒菜式科研”？1911年，昂纳斯这位热衷于当“寒冰射手”的荷兰诺奖得主先是把氦气冻成了液体，再用液氦把水银冻到了4K（约零下269℃）附近。
这下水银彻底被他玩坏了。
啪，电阻没了！
电阻没了意味着什么呢，这么说吧，如果说普通的电线是乡下土路，电子在里面跑会磕磕碰碰、损耗能量，此时的水银就是一条高速公路，电子可以一路狂飙。
更绝的是，它还会把磁场完全挤出去，也就是“完全抗磁性”。
于是，超导的全名“超级导电体”就这么诞生了。
有了这种材料，输电时电能几乎不会浪费，还能造出速度极快的磁悬浮列车，应用前景特别广。
最最刺激的是，超导材料还是磁约束核聚变装置托卡马克环的必要组件，人类没准能靠超导实现可控核聚变，直接终结能源问题。
但是，真要降到零下269℃才超导，未免也太难用了，做啥都得配个大冰箱。
往后这一百多年，大家抱着极高的热情去寻找其他的超导体，就看谁能先找到个常温常压就变身的超绝材料了。
战果如下！
到现在，国际主流的超导体数据库SuperCon就收录了2000多种具有超导性的材料，而温度能到几十K（其实这也是零下200多度了）的可能只有几十种。
难怪当2023年韩国团队宣称做出“室温超导体”LK-99时（事后证明是个大乌龙），从顶尖实验室到民科，全球无数人都掏出了自己的 “炼丹炉”。
物理学圣杯的诱惑实在太大了。
中国科学院大学金士锋研究员给了句辣评：
做超导体探索很多是“炒菜式科研”。
咱们理解一下什么是炒菜式科研哈。
常压下转变温度超过40K的“高温超导体”，物理机制至今没有完全被人类理解。
从铜基、铁基到镍基，几乎每一个重磅超导材料都是偶然发现的。
元素周期表上有100多种元素，物理学家缺乏一本菜谱的指导，只能不断调整油盐酱醋的比例，反复试错，今天多放点葱，明天少放点蒜。
“和炒菜最大的不同是——发现超导材料的成功率还更低一点，可能做几十个实验只能有一个能成功。”
这也是他决定加入这个研究的原因。
百年超导，光靠人类有点卷不动了。
AI来了，但做成AlphaFold那样还不够让AI去替人大海捞针，是再自然不过的想法，毕竟生物学早就尝到了甜头。
2024年，DeepMind的AlphaFold就凭借着预测蛋白质结构的颠覆性表现，拿下了诺贝尔化学奖。
但猜超导可比猜蛋白质难多了。
蛋白质只有20多种氨基酸，序列规律相对清晰；晶体呢？元素上百种，原子之间还有各种离子键、金属键、共价键等等等等。
“结构即功能”是生物学领域的一句名言。
晶体的世界要也能这么简单就好了……
这几年倒也不是没有突破。
DeepMind的GNoME用AI一下子预测了220万种理论上存在的稳定材料，说是走完了人类800年的材料发现之路。
这个成果已经发了Nature。
微软的MatterGen则是反向思维，根据人类想要的材料特性，让AI去设计新结构，也发了Nature。
这符合从预测式AI（predictive AI）到生成式AI（generative AI）的技术趋势，即AI从答“判断题”进化到了答“填空题”。
但在达摩院科学智能负责人荣钰看来，它们都有一个问题，那就是太单点了。
它们能告诉你“这可能是超导”，但又不能告诉你以前有没有人研究过？合成方不方便？有没有毒性？成本高不高？
在现实科研里，可不是小手一点说“这是超导，那不是超导”就完了。
光是确定一种结构究竟有没有文献报道，可能就需要好几天，别一不小心就把前人踩过的坑全踩一遍。
就算发现了一种材料结构，要把它做出来并且调控到最佳超导状态，又是一轮漫长的“炒菜”。
金士锋提到，他们曾经调控一个2010年就发现的铁基超导材料，到2019年才首次实现空穴掺杂，中间隔了接近十年。
一个经典提问对着所有物理学工作者贴脸发问：
“一个物理学家能有几个十年？”
ElementsClaw：一个 “AI材料学家”所以达摩院和人大这次没有做一个单点模型，而是一个完整的智能体。
这就是ElementsClaw。
这只元素虾的核心架构“通专融合”：
一边是专门的“大原子模型”Elements，能精准读懂三维晶体结构，判断材料是否超导、临界温度是多少；一边是大语言模型，能像真正的材料学家读paper、查数据、做决策。
Elements是一个10亿参数（AlphaFold3参数量不到3亿）的几何深度图神经网络。
注意了，1B参数量在LLM领域不算什么，但在材料学AI领域相当可观。
模型预训练阶段用到了1.25亿个分子和晶体结构；微调之后，这个模型在22个材料学基准测试上达到或接近SOTA水平。
更重要的是，他们首次在非大语言模型架构上验证了Scaling Law，给这个原子模型更多参数、更多数据，它的性能真的能持续提升。
基于Elements，李明泽等同学给“元素虾”长出了好几只钳子：
Elements-T负责预测超导临界温度（Tc），平均绝对误差（MAE）只有0.99K，几乎逼近实验误差；Elements-C负责判断材料是否超导，AUC达到0.996；Elements-E负责预测材料的能量和稳定性；Elements-G负责生成全新的晶体结构。而智能体系统则负责做它最擅长的事，比如调工具、读论文、查数据库、分析可合成性、设计实验方案。
这个智能体有几个特点。
第一，它速度快。
240万种晶体先扫描一遍，靠谱的留下，明显不靠谱的踢掉。
第二，它会“自我进化”。
当它在文献中发现新的超导数据后，能自动微调自己的模型，给自己创造出新的Skill。
第三，它能做决策。不是简单地预测性质，而是决定下一步该查什么、该怎么设计实验。
荣钰表示：“如果说材料发现是大航海，那么通用模型就是帆船，专有模型就是指南针和六分仪。ElementsClaw把这艘船和这些仪器组装在了一起，能实现在材料的海洋里面自动航行。”
4种新材料，4条路径最有意思的是，随后由王历宏等同学实验合成出来的4种新超导体。
这是AI用4种不同的方法找到的（讲真，人类的脸有点痛）。
方法1：“漏网之鱼”——Hf₂₁Re₂₅（临界温度2.5 K）就算是人类已经扒拉了无数遍的数据库，AI也绝不空军。
这个材料其实早就躺在理论数据库中，但从来没被人试过。ElementsClaw在文献和数据库交叉比对时把它捞了出来，做出来果然是超导。
方法2：“沉冤得雪”——Zr₄VRe₇（临界温度3.5 K）这个材料就更冤了，人类在数据库里直接把结构算错了。
ElementsClaw预测了一个不同结构，并且说是超导。实验一做，它说的都对都对。
方法3：“无中生有”——HfZrRe₄（临界温度5.9 K）这个材料不在任何已知数据库里。
ElementsClaw先锁定了Hf-Zr-Re这个有潜力的三元体系，基于结构预测工具生成了新的结构，并自己验证了其超导性。
方法4：“举一反三”——Zr₃ScRe₈（临界温度6.5 K）在验证了Hf-Zr-Re体系的超导相后，AI总结出一个结构模体：
保留P6/mmm富Re六方框架、保持Re子晶格完整。然后开始按这个来排查长得像的亲戚，最终找到了把Hf元素替换为Sc的Zr₃ScRe₈。
它的临界温度也是这次发现中最高的。
除了目前还没长出手做实验以外，它差不多已经是个“AI材料学家”。
当然，这次发现的4种超导材料，临界温度都不算高，最高只有6.5K，距离“室温超导”还远得很。
但走通AI智能体这条路，就很关键了。
自然界的材料中具有超导性的比例可能只有3%左右，而ElementsClaw推荐的命中率达到了40%，高了整整一个数量级。
达摩院已经把这240万稳定晶体的预测数据库全部开放（https://science.damo-academy.com/#/material），全球科研人员都可以免费使用，共同挖掘这座富矿。
中国人民大学高瓴人工智能学院副教授黄文炳强调，AI for Science从来不是要取代科学家，而是实现人机共生。
AI负责大海捞针和重复性工作，把科学家从繁琐的文献调研和数据整理中解放出来；科学家则负责提出问题、引导AI思考、校对结果等，并且根据AI反馈的结果，形成新的科学知识体系。
“AI for Science不是要取代人的主体性。”他说。
物理学家找了一百多年的圣杯，终于有了AI队友。
没有完美方程的科学发现这不是达摩院第一次搞AI for Science。
5月20日， Nature发表了北大与达摩院的合作研究成果，利用AI数清开源卫星影像上的风机和光伏板，从“上帝视角”摸清中国的新能源家底，并提出了一种能源跨省协同的方案，一年能少浪费一座三峡大坝的绿电。
上个月，达摩院又推出了虚拟细胞模型Lingshu Cell，用生成式AI模拟基因敲除或是药物对细胞造成的影响，降低药物研发的成本的和周期。
未来，《我不是药神》电影里刻画过的悲剧可能会少一些。
从电力能源，到生命制药，再到材料发现，AI for Science直击人类难以驾驭的数据海洋。
黄文炳提到，传统科学研究遵循“还原论”，即把复杂现象拆解成简单方程。但面对复杂的材料系统，这种路线遇到了“维度灾难”。
而AI擅长的是另一种思路：从简单到复杂的“涌现论”。
AI不需要知道底层每一个细节，而是基于大量数据和基本物理约束，让模型从系统的外在行为中学习规律。
这正是ElementsClaw在做的事情。
它不是靠一个完美方程推算出超导材料，而是背靠240万种晶体库和海量文献的数据驱动，直接给出答案。
AI时代，物理学还存在，但形态在改变。
— 完 —
量子位 QbitAI · 头条号
关注我们，第一时间获知前沿科技动态
科元网提示：文章来自网络，不代表本站观点。
