![]()
图源：Microsoft
材料创新变革的机遇
从对可持续能源解决方案的迫切需求，到对先进医疗保健技术的迫切需求，科学家们面临着一系列全球性的、具有时间敏感性的问题。解决其中许多问题的关键在于材料发现领域，因为材料发现有可能带来突破性的解决方案。科学家们可以发现捕捉太阳能并将其转化为资源效率更高的能源的新方法，或者开发出更轻、更坚固、更可持续的合金，用于各种工程应用。
虽然当今对颠覆性解决方案的需求不断加快，但研发团队也面临着不断变化的市场压力，以及创造一个更安全、更可持续的未来的全球紧迫性。为此，我们需要重新思考研发和科学发现的方法--我们需要将 250 年的科学进步压缩到未来的 25 年。这就需要将最先进的数字工具交到全球科学家和研究人员的手中，使他们能够拓宽搜索空间，探索解决以往认为难以解决的问题的方法。今天，我们正站在这一新模式的悬崖边上。
在过去的一年里，微软一直在帮助化学家和材料科学家利用 Azure Quantum Elements 将原本需要数年的物理实验室工作转变为数天的计算。我们的目标是将人工智能和机器学习的变革能力引入科学方法的每个阶段，从而提高研究效率，加快创新进程。通过将这些先进的解决方案与我们在超大规模云基础设施方面的大量投资相结合，这种飞跃成为可能。
专注于发现新材料的行业拥有一个独特的机会来利用这些工具，开启新的业务增长，开创更美好的全球未来。
在过去几十年里，材料行业越来越依赖数据和分析。随着材料信息学的大量投资，材料科学已成为一个独特的领域，有条件进行研发数字化转型。这种转型充分利用了新的人工智能和云高性能计算（HPC）工具的潜力。事实上，由于公共和私营部门在记录数十万种材料的结构、性质和关系方面做出了杰出的持续努力，数字化转型已经开始扎根。人工智能正在成为科学家的助力者和加速器，为他们提供探索、分析和发现创新解决方案的能力，涉及可能以前无法全面研究的领域。传统上，数字特征化和编目依赖于物理驱动的高性能计算方法，这些方法既耗时又昂贵。由于规模和效率有限，数字模拟通常只能增强密集的实验室实验——即使在发现漏斗的顶端也是如此。现在，情况正在发生变化。今天可用的大量材料数据，加上突破性的人工智能算法和云超级计算的力量，使研究人员能够以更大规模和更快速度开始进行准确的计算模拟。此外，这种方法可以预测性地指导下游实验室实验。开发专门应用的新材料的准入门槛已显著降低，使专家能够解锁一条通向研发成功的更高效途径。Azure Quantum Elements 旨在为科学家提供专为化学和材料科学打造的超级计算机：• 加快影响时间，一些客户看到从项目启动到解决方案的时间从六个月缩短到一周。
• 探索更多材料，有潜力将候选材料数量从数千扩展到数千万。
• 将某些化学模拟的速度提高500,000倍，有效地将近一年的研究压缩到一分钟。
• 通过Azure Quantum Elements中的Copilot提高生产力，用于查询研究、可视化数据和编写代码。材料科学用例示例包括：
模拟纳米尺度行为，以识别具有独特性质的纳米材料，用于传感器等设备。预测各种电池和超级电容器材料的能量密度和充放电行为。模拟反应路径和表面相互作用，开发可能实现更小、更高效半导体设备的微加工技术。
利用人工智能开启科学发现的新时代：Microsoft的人工智能如何从3200多万个候选材料中筛选出更好的电池Microsoft研究人员使用新型人工智能模型数字化生成并筛选了超过3200万种潜在材料。这些材料是通过在已知晶体结构中用周期表部分元素的采样替换元素而生成的。然而，确定起始材料列表只是科学发现的第一步。在这些候选材料中找到具有适合任务所需性质的特定材料，在这种情况下是新型固态电池电解质，就像大海捞针。如果仅依靠HPC计算和实验室实验，筛选3200万种材料将需要多个寿命才能完成。Azure Quantum团队与美国能源部的Pacific Northwest国家实验室（PNNL）联手，应用先进的人工智能以及PNNL的专业知识，识别出一种可能用于资源高效电池的新材料。在筛选过程中，我们结合了最先进的人工智能模型和传统的基于物理的模型，在云HPC资源上几天内就筛选了超过3200万个候选材料，预测出约50万种潜在稳定材料。经过几个筛选阶段，我们的发现管道识别出18个有前景的新成分候选材料，并作为副产品重新发现了该领域十年来的集体知识。通过在云端使用约一千台虚拟机（VM），这个过程耗时不到80小时。![]()
筛选的第一阶段依靠快速人工智能模型推理调用来评估材料的稳定性，随后还对氧化还原电位和电子带隙等特性进行筛选。这将搜索空间缩小到 800 个候选方案。筛选的第二阶段依靠基于物理的模拟，重新计算属性，作为更高精度的过滤器，同时还评估了原子扩散性等动态属性。经过最后的实际考虑，我们确定了 18 种有希望的候选物质。PNNL 的专业知识提供了对其他参数的见解，进一步缩小了最终候选范围。图源：Microsoft
一旦我们与PNNL的研究团队合作确定并选择了最终的电解质候选材料，PNNL就合成了该候选材料，表征了其结构，并测量了其导电性。这种新的电解质候选材料通过用钠（一种丰富的化合物）替代部分锂，与现有的固态电解质相比，使用的锂减少了约70%。![]()
将电解质原料研磨成最终材料，并用压机压制成颗粒，以便在概念验证电池中进行测试。图源：Microsoft
在一系列温度测试中，这种新化合物显示出可行的离子导电性，表明其作为固态电解质材料的潜力。在验证了材料的导电性后，PNNL研究团队通过构建一个工作的全固态电池，展示了该电解质的技术可行性。这种新型电解质材料的发现不仅因其作为可持续能源存储解决方案的潜力而值得注意，还因为它证明了研究人员可以利用先进的人工智能模型大大加快获得结果的时间。虽然该材料的进一步验证和优化仍在进行中，但这个初始的端到端过程用时不到九个月，展示了Azure Quantum Elements中人工智能加速的力量。其他可能增加能源存储可持续性的材料的发现很可能即将出现。虽然这次合作优化的工作流程专门用于识别电池电解质候选材料，但这些人工智能模型和相关的HPC模拟在各种材料研究场景中都有广泛的应用。Microsoft和Johnson Matthey联手加速氢燃料电池创新借助Azure Quantum Elements，Johnson Matthey正在利用Azure HPC的超级计算能力和精炼的工作流程来加速化学模拟，探索人工智能的潜力，并为量子计算做好准备。该团队已能够加速某些量子化学计算，并将其大规模工作负载的周转时间从六个月缩短到一周。Johnson Matthey可持续技术研发的一个关键领域是为驱动卡车和公共汽车的氢燃料电池找到更好的催化剂。电催化剂是促进燃料电池中电化学反应的材料，有助于利用氢燃料产生电力。目前，氢燃料电池最有效的催化剂是铂，但铂稀有且非常昂贵。Johnson Matthey已扩展其在电催化剂领域的开创性数字研究，开发使用更少铂的替代合金催化剂，目标是降低燃料电池技术的材料成本。这项研究需要大量计算资源来模拟材料内部复杂的原子相互作用。Johnson Matthey求助于Azure Quantum Elements团队，帮助他们探索Azure原生的新预测建模工具，以加速用于发现新催化剂的纳米粒子模拟。使用这些工具和Azure HPC的超级计算能力，团队大大提高了理解和设计新电催化剂材料所需计算的吞吐量。据Johnson Matthey技术中心的一位研究经理称："使用Azure HPC，我们在一些化学计算上看到了约50%的加速——这对研发至关重要，因为每一秒都很重要，不仅是为了快速获得结果，还关系到成本和吞吐量。"![]()
图源：Microsoft
这些突破性的加速能力是通过最先进的Azure HPC硬件实现的，该硬件特别适合化学和材料科学工作负载。Azure HPC云的规模允许进行大规模并行计算，用于化学和材料科学发现，而InfiniBand连接的CPU/GPU架构加速了紧密耦合的分子模拟工作负载。像AiiDA这样的开源工作流工具可以帮助用户利用云的力量，同时管理其复杂性和大规模并行计算产生的数据规模。此外，Azure部署工具可用于在云中快速建立和管理计算化学和材料科学环境。Azure不仅提供超级计算规模和模拟加速；它还使Johnson Matthey能够为量子未来做好准备，通过混合工作流程和代码来解决更具雄心的问题，并在规模化量子系统可用时更快地创新。AI学术导师评论
这份白皮书和相关案例确实展示了人工智能、高性能计算和云技术在材料科学领域的革命性影响：
技术融合的突破性进展：Microsoft通过Azure Quantum Elements平台成功地整合了AI、机器学习和云超级计算能力，这种融合为材料科学研究带来了前所未有的效率提升。将研究周期从数年缩短到数天，不仅加速了创新过程，也大大降低了研发成本。
规模和速度的飞跃：能够在短时间内筛选数千万种潜在材料，以及将近一年的研究压缩到一分钟，这种规模和速度的提升令人瞩目。这不仅扩大了可能性的范围，也使得更全面、更深入的研究成为可能。
实际应用案例的说服力：与PNNL的合作案例非常有说服力，它展示了从AI辅助设计到实际合成和验证的完整流程。这种端到端的成功案例对于证明技术的实用性和可行性至关重要。
跨学科合作的重要性：这些案例强调了跨学科合作的重要性。AI专家、材料科学家和计算机科学家的协作产生了显著的突破，这种模式可能会成为未来科学研究的标准。
可持续发展的潜力：Johnson Matthey的案例特别值得关注，因为它直接针对可持续能源技术。通过开发使用更少贵金属的催化剂，这项研究不仅推动了技术进步，也支持了可持续发展目标。
对传统研究方法的挑战：这种技术驱动的研究方法可能会对传统的实验室研究方法构成挑战。它可能会引发学术界和工业界对研究方法和资源分配的重新思考。
数据管理的重要性：随着计算规模的增大，数据管理变得越来越重要。开源工具如AiiDA的应用显示了有效管理和利用海量数据的必要性。
未来影响的深远性：白皮书提到的"在未来25年内压缩250年的科学进步"这一预测，虽然听起来很激进，但考虑到技术进步的指数性质，这可能并非遥不可及。这种加速可能会对多个领域产生深远影响，从能源到医疗再到环境科学。
伦理和公平性考虑：虽然白皮书主要关注技术进步，但我们也应该考虑这种技术的广泛应用可能带来的伦理问题。例如，如何确保这种技术的公平获取，以及如何管理潜在的工作岗位转变。
验证和可靠性的重要性：尽管AI和高性能计算能够产生大量候选材料，但实验验证仍然至关重要。确保模型预测的可靠性和准确性将是持续的挑战。
总的来说，这份白皮书展示了一个令人振奋的科技前景，它有潜力彻底改变材料科学研究的方式，并可能加速解决一些全球最紧迫的挑战。然而，我们也需要谨慎地管理这种转变，确保它的益处能够广泛而公平地分享。
