人工智能和高性能计算把科研速度提高了10倍

近日，微软撰文指出，先进人工智能与下一代云计算（及高性能计算）的结合使科学发现的速度提高了十倍以上，过去几年的工作如今只需要几周就能完成。

微软和华盛顿州里奇兰的太平洋西北国家实验室 (PNNL) 正在合作展示这种加速如何使化学和材料科学受益——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，这种材料在几周而不是几年内就被发现了，这是与微软合作的一部分，用于先进的人工智能和高性能计算 (HPC)，这是一种基于云的计算，结合大量计算机来解决复杂的科学和数学任务。

作为这项工作的一部分，Microsoft Quantum 团队 使用 AI 在几天内识别了大约 500,000 种稳定材料。

这种新型电池材料是使用微软 Azure 量子元素的合作成果，在短短 80 小时内将 3200 万种潜在无机材料筛选到 18 种有前途的候选材料中，这些材料可用于电池开发。最重要的是，这项工作为加速解决紧迫的可持续发展、制药和其他挑战的新方法开辟了道路，同时让人们一睹量子计算可能取得的进步。

“我们认为在许多科学领域都有机会做到这一点，”PNNL 首席数字官 Brian Abrahamson 说。“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。这使其成为与微软的理想合作者，利用先进的人工智能模型来发现新的电池候选材料。

“新型电池的开发是一个极其重要的全球挑战，”亚伯拉罕森说。“这是一个劳动密集型的过程。在人类规模上合成和测试材料从根本上是有限的。”

通过试错学习

材料合成的传统第一步是阅读所有已发表的其他材料的研究，并假设不同的方法可能如何发挥作用。“但主要挑战之一是人们发布他们的成功故事，而不是失败故事，”PNNL 材料科学小组负责人维杰·穆鲁格桑 (Vijay Murugesan) 说。这意味着科学家很少能从彼此的失败中吸取教训而受益。

下一个传统科学步骤是测试假设，通常是一个漫长的迭代过程。“如果失败了，我们就会重新开始，”穆鲁格桑说。他之前在 PNNL 的一个项目是钒氧化还原液流电池技术，需要数年时间才能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 AI 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者。PNNL 的安德里亚·斯塔尔 (Andrea Starr) 拍摄。
传统方法需要研究如何改进过去所做的事情。另一种方法是采取所有可能性，并通过排除来发现新的东西。设计新材料需要大量计算，而化学很可能是量子计算的首批应用之一。Azure Quantum Elements 提供了一个专为化学和材料科学研究而设计的云计算系统，着眼于最终的量子计算，并且已经在研究此类模型、工具和工作流程。这些模型将针对未来的量子计算机进行改进，但事实证明它们对于利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，微软量子团队重点研究了我们生活中无处不在的东西——电池材料。

将材料科学教授给人工智能

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 万个候选者——就像大海捞针一样。接下来，AI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过滤掉候选分子，另一个人工智能工具根据它们传导能量的潜力过滤掉候选分子。

我们的想法不是在假设的大海捞针中找到每一个可能的针，而是找到大多数好的针。微软的人工智能技术将 3200 万候选材料减少到约 500,000 种，其中大部分是新的稳定材料，然后减少到 800 种。

“在模拟的每一步，我都必须运行量子化学计算，相反，我称之为机器学习模型。因此，我仍然可以通过运行模拟获得洞察力和详细观察结果，但模拟速度可以提高 50 万倍。”Azure Quantum Elements 产品负责人 Nathan Baker 说道。

人工智能可能很快，但并不完全准确。下一组过滤器使用 HPC，它提供高精度但需要大量计算能力。这使得它成为处理较小的候选材料集的好工具。第一次 HPC 验证使用密度泛函理论来计算每种材料相对于其可能处于的所有其他状态的能量。然后是分子动力学模拟，结合 AI 和 HPC 来分析每种材料内原子和分子的运动。

https://youtu.be/oWaLTXTSR_A

这一过程筛选出 150 名候选人。最后，微软科学家使用 HPC 来评估每种材料的实用性（可用性、成本等），将列表缩减为 23 种，其中 5 种是已知的。

得益于这种 AI-HPC 组合，仅用了 80 小时就发现了最有前途的候选材料。

HPC 部分占计算时间的 10%，而且是在一组已经定位的分子上。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，这些超级计算机不仅不是针对特定领域定制的，而且是共享的，因此研究人员可能不得不等待。微软基于云的人工智能工具缓解了这种情况。

广泛的应用和可访问性

微软科学家使用 AI 完成了绝大多数筛选工作，约占所用计算时间的 90%。PNNL 材料科学家随后对候选材料进行了审查，只剩下六种候选材料。由于微软的人工智能工具是针对化学而不仅仅是电池系统进行训练的，因此它们可以用于任何类型的材料研究，并且云始终可以访问。

“我们认为云是改善研究社区可访问性的巨大资源，”亚伯拉罕森说。

如今，微软支持化学专用的副驾驶和人工智能工具，它们就像一块磁铁，从大海捞针，减少进一步探索的候选者数量，以便科学家们知道把重点放在哪里。“我们正在努力实现的愿景是生成材料，我可以在其中索取具有我所需属性的新电池化合物清单，”贝克说。

该项目现在处于实践阶段。该材料已成功合成并转化为具有功能性的原型电池，并将在实验室进行多次测试。在商业化之前，此时材料的制作是手工的。PNNL 材料科学家 Shannon Lee 解释说，第一步是获取材料的固体前体，并用研钵和研杵手工研磨它们。然后，她使用液压机将材料压制成一角硬币形状的颗粒。它进入真空管并被加热到 450 至 650 摄氏度（842 至 1202 华氏度），转移到一个盒子中以远离氧气或水，然后磨成粉末进行分析。

对于这种材料，10 个小时或更长时间的过程“相对较快”，Lee 说。“有时制作一种材料需要一周或两周的时间。”

然后必须测试数百个工作电池，超过数千个不同的充电周期和其他条件，以及随后不同的电池形状和尺寸以实现商业用途。Murugesan 梦想开发化学或材料的数字孪生，“这样你就不需要去实验室将这种材料组合在一起，制造电池并进行测试。你可以说，“这是我的阳极，这是我的阴极，这是电解质，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。即使是细节，比如经过 10,000 次循环和使用五年后，材料性能也会是这样。”

微软已经在开发数字工具来加速科学进程的其他部分。

锂离子电池就是一个漫长的传统过程的例子。锂在 1900 年代初期作为电池组件而受到关注，但可充电锂离子电池直到 20 世纪 90 年代才进入市场。

如今，从手机到医疗设备，从电动汽车到卫星，锂离子电池越来越多地运行在我们的世界中。据美国能源部称，到 2030 年，锂需求预计将增长 5 至 10 倍。锂已经相对稀缺，因此价格昂贵。开采它会带来环境和地缘政治问题。传统的锂离子电池也存在安全问题，有可能着火或爆炸。

许多研究人员正在寻找锂和用作电解质的材料的替代品。固态电解质显示出其稳定性和安全性的前景。

令人惊讶的结果

PNNL 科学家目前正在测试的新发现材料同时使用了锂和钠，以及一些其他元素，从而大大降低了锂含量——可能降低了 70%。亚伯拉罕森警告说，目前还处于该过程的早期阶段，具体的化学反应还需要优化，在大规模测试时可能无法发挥作用。他指出，这里的故事不是关于这种特定的电池材料，而是关于材料被识别的速度。科学家们表示，这项练习本身就非常有价值，并且带来了一些惊喜。

AI衍生材料是一种固态电解质。离子在阴极和阳极之间的电解质中来回穿梭，理想情况下阻力最小。

人们认为钠离子和锂离子不能在固态电解质系统中一起使用，因为它们的电荷相似但尺寸不同。假设固态电解质材料的结构框架无法支持两种不同离子的运动。但穆鲁格桑说，经过测试，“我们发现钠离子和锂离子似乎可以互相帮助。”

贝克说，这种新材料有一个好处，因为它的分子结构天然具有帮助两种离子穿过电解质的内置通道。

新材料的研究工作还处于早期阶段，但“无论从长远来看它是否是一种可行的电池，我们发现可行的电池化学物质的速度都非常引人注目，”亚伯拉罕森说。

仍有可能有更多发现。Murugesan 和他的团队尚未制作和测试微软模型建议的大多数其他候选新材料。合作仍在继续，PNNL 计算化学家学习使用新工具，包括接受过化学和其他科学出版物培训的副驾驶。

“与微软和 PNNL 的合作是一项持久的合作，旨在加速科学发现，发挥这些计算范式转变的力量，以及太平洋西北国家实验室标志性优势的化学和材料科学，”亚伯拉罕森说。

他补充道：“我们正处于人工智能模型成熟的边缘，需要训练它们并使其发挥作用所需的计算能力，以及在特定科学领域和特定智能上训练它们的能力。” “我们相信，这将迎来一个加速的新时代。这很令人兴奋，因为这些问题对世界很重要。”

原文链接：https://news.microsoft.com/source/features/sustainability/how-ai-and-hpc-are-speeding-up-scientific-discovery/