微软新发表的一篇文章：《新的科学发现在几周内完成，而不是几年：AI 与高性能计算如何加速科学进步》

计算技术已显著推动了科学发现的进程。目前，科学家们认为，结合先进的 AI 技术与下一代云计算，正将科学探索的速度推向前所未有的新高。

微软与位于华盛顿州里奇兰的太平洋西北国家实验室 (PNNL) 正在协作，展示这种技术加速如何在化学和材料科学这两个关键领域实现突破，这对于寻找全球急需的能源解决方案至关重要。

PNNL 的科学家们正在测试一种新型电池材料，这是他们与微软合作，利用先进的 AI 和高性能计算 (HPC) 所取得的成果，仅用几周时间就实现了这一发现，而过去这可能需要数年时间。HPC 是一种云基础的计算方式，通过集成大量计算机来解决复杂的科学和数学问题。

图 1：PNNL 的材料科学家 Shannon Lee 正在混合原材料，合成一种新的固态电解质。这是通过 AI 和 HPC 工具，在 Azure Quantum Elements 服务中预测出的有前景的候选物之一。照片拍摄者：Dan DeLong，为微软所摄。

作为这项努力的一部分，微软量子团队 利用 AI 在短短几天内识别出约 50 万种稳定材料。

这种新型电池材料的发现，源于微软 Azure Quantum Elements 的应用。通过筛选 3200 万种潜在无机材料，仅用 80 小时就缩减到 18 个有潜力的候选者，这些候选者有望应用于电池开发。最重要的是，这一工作为快速解决紧迫的可持续性、制药等领域的挑战开辟了新路径，同时展示了量子计算将来可能带来的先进成果。

PNNL 的首席数字官 Brian Abrahamson 表示：“我们认为，在许多科学领域都有实现这一目标的可能。”“最近的技术进步为我们加速科学发现提供了新的机会。”

作为美国能源部下属的一个实验室，PNNL 在化学和材料科学等多个领域进行研究，致力于能源安全和可持续性。因此，它成为微软的理想合作伙伴，共同利用先进的 AI 模型探索新的电池材料候选项。

Abrahamson 进一步指出：“开发新型电池对全球而言极其重要。过去这是一个劳动密集型的过程。传统的人力规模下的材料合成和测试方式存在明显限制。”

在材料合成领域，研究人员通常会首先阅读已发表的其他材料研究，来假设不同方法可能带来的结果。PNNL 材料科学小组的负责人 Vijay Murugesan 指出：“一个主要的挑战是，人们倾向于发表他们的成功案例，而非失败经历。”这就意味着科学家们很难从别人的失败中吸取教训。

接下来的传统科学步骤是对这些假设进行测试，这通常是一个漫长且反复的过程。Murugesan 表示：“如果实验失败了，我们就得重新回到起点。”他曾在 PNNL 参与的一个项目——钒液流电池技术，就花费了数年时间来攻克难题，设计出新的材料。

图 2：Vijay Murugesan 介绍说，利用微软的 AI 和高性能计算 (HPC) 工具，科学家们可以省去耗时的试错步骤，直接集中精力测试最有前景的候选材料。照片由 Andrea Starr 为 PNNL 拍摄。

按照传统方法，科学家们需要在过去的基础上寻求改进。另一种思路是在所有可能性中通过筛选来发现新事物。设计新材料需要进行大量的计算工作，而化学领域可能是量子计算的首批应用场景之一。Azure Quantum Elements 提供了一个专为化学和材料科学研究设计的云计算平台，它不仅着眼于未来的量子计算，而且已经开始在这些领域开展模型、工具和工作流程的研究。这些模型将为未来的量子计算机优化，但目前已经在传统计算机上有效推动科学发现的进展。

为了在实际应用中评估其进展，微软量子团队将重点放在了我们生活中随处可见的一个领域——电池材料。

微软首先训练了多个 AI 系统，使它们能够对各种可能的元素进行深入分析，并提出可能的元素组合。这个算法提出了高达3200万个候选方案，就像在茫茫大海中寻找一根针。然后，AI 系统筛选出了那些稳定的材料。另外一些 AI 工具则根据分子的反应性和导电潜力来进一步筛选候选物。

这个过程的目标并不是找出假想干草堆中的每一根针，而是尽可能多地找到优质的针。微软的 AI 技术成功将3200万个候选方案缩减到大约50万个主要是新型稳定材料，最终又筛选到800个。

Azure Quantum Elements 的产品负责人 Nathan Baker 说：“在模拟的每个步骤中，原本需要进行量子化学计算，现在我都用机器学习模型来代替。这样一来，我不仅能获得通过模拟得到的深刻见解和细节观察，而且模拟速度提高了高达50万倍。”

AI 虽快，但并非完全精确。接下来的一系列筛选过程采用了 HPC（高性能计算），它虽然精确度高，但也大量消耗计算资源。因此，它更适合用于筛选较少的候选材料。HPC 的第一轮验证使用密度泛函理论计算每种材料在各种可能状态下的能量。紧接着，结合 AI 和 HPC 技术的分子动力学模拟被用来分析每种材料内部原子和分子的运动情况。

通过这一过程，候选列表被缩减到了150个。最后，微软的科学家们又运用 HPC 来评估每种材料的实用性，如可用性、成本等，最终将列表缩减到了23个，其中5个已经是众所周知的材料。

得益于 AI 和 HPC 的强强联合，发现最有希望的材料候选只用了80个小时。

HPC 部分占了整个计算过程的10%，而且这还是在已经专门针对某些分子的情况下。这种高强度的计算是研究的瓶颈，即便是拥有超级计算机的大学和研究机构也面临同样的问题。这些超级计算机不仅不专门针对某一特定领域，而且还需要共享使用，因此研究人员可能需要排队等候。微软基于云的 AI 工具为这一问题提供了缓解。

微软的科学家们利用 AI 完成了约 90% 的筛选工作，主要占据了计算时间。接着，PNNL 的材料科学家进一步筛选，最终锁定了六种潜在材料。微软的 AI 工具不仅服务于电池系统，还能适用于各类材料研究，而且云技术使得这些工具随时可用。

亚伯拉罕森认为：“云技术大大提高了科研界的可接触性。”

图3：PNNL 的首席数字官布莱恩·亚伯拉罕森。照片由安德烈亚·斯塔尔为 PNNL 拍摄。

现在，微软提供的化学专用辅助工具和 AI 工具就像是一个强力磁铁，能够在无数候选材料中迅速找到潜在的目标，帮助科学家聚焦研究方向。“我们的目标是开发能生成新材料的 AI，只需输入期望特性，它就能列出新的电池化合物清单，”贝克说。

目前，项目进入了实操阶段。该材料已成功合成，并做成了能正常工作的原型电池，目前正在实验室中接受多轮测试。目前这种材料的制作仍处于手工阶段。PNNL 的材料科学家香农·李介绍说，首先要手工用研钵和研杵将材料的固态前体研磨，然后用液压机将其压成硬币大小的圆片。之后，将其放入真空管中加热至 450 至 650 摄氏度（842 至 1202 华氏度），再转移到密封盒中以隔离氧气和水，最后将其研磨成粉末进行分析。

李说：“对这种材料来说，10 多小时的制作过程算是比较快的。有时候制造一种材料可能需要一周甚至两周时间。”

接下来，需要对数百个电池进行测试，覆盖成千上万种不同的充电周期和其他条件，以及为了商业化使用测试不同形状和尺寸的电池。穆鲁格森梦想着开发一种化学或材料领域的数字仿真模型，“这样就不必亲自去实验室组装材料、制造电池并进行测试。你只需设定，‘这是我的负极，这是我的正极，这是电解质，我要施加这么多电压，’然后它就能预测所有部件如何协同工作。甚至可以预测，比如经过 10,000 次充放电周期和五年的使用，材料的性能将如何。”

微软目前正在开发数字工具，以加速科学研究过程的其他环节。

锂离子电池的传统研发过程就很能说明问题。锂作为电池组件在 20 世纪初开始受到关注，但直到 1990 年代，可充电的锂离子电池才真正上市。

如今，锂离子电池在我们的生活中扮演着越来越重要的角色，从手机到医疗设备，从电动汽车到卫星都离不开它。据美国能源部预测，到 2030 年，锂的需求 将增长五到十倍。锂本身已经相对稀缺，价格昂贵。开采锂在环境和地缘政治上存在问题。此外，传统的锂离子电池还存在安全隐患，可能会起火甚至爆炸。

因此，许多研究人员正寻找锂以及用作电解质的材料的替代品。固态电解质因其稳定性和安全性展现出很大的潜力。

PNNL 的科学家们最近正在测试一种新发现的材料，这种材料同时使用锂和钠以及其他元素，显著减少了锂的使用量，可能减少了高达 70%。目前这项研究还处于初期阶段，其确切的化学配方还在调整之中，而且在大规模应用中可能会遇到挑战，Abrahamson 提醒大家。他强调，这个故事的焦点不是这种特殊的电池材料本身，而是发现这种材料的速度之快。科学家们认为，这次尝试本身就极具价值，并且带来了一些意想不到的发现。

这种由 AI 研发出的材料是一种固态电解质。在这种电解质中，离子可以在正极和负极之间来回移动，理想状态下几乎没有任何阻力。

试管中装有新材料的样本，看起来像细白的盐。

图4：这是微软 AI 和 HPC 工具发现的新固态电解质样本。与液态电解质相比，固态电解质在安全性方面有显著优势。照片由 Dan DeLong 拍摄，供微软使用。

之前，人们普遍认为在固态电解质系统中不能同时使用钠离子和锂离子，因为它们虽然电荷相似，但大小却不同。人们以为固态电解质的结构无法同时支持这两种不同离子的运动。然而，经过实验测试后，Murugesan 发现，“钠离子和锂离子似乎可以互相促进。”

新材料的另一个优势在于，Baker 表示，其分子结构自然形成了有助于两种离子移动的通道。

这种新材料的研究还在起步阶段，但 Abrahamson 说：“无论它将来是否能成为一种实用的电池，我们如此快速地找到一个有效的电池化学方案，这一点本身就非常吸引人。”

还有更多的发现有待探索。Murugesan 和他的团队还没有制作和测试微软模型所提出的大多数其他新材料候选。这一合作仍在继续，PNNL 的计算化学家们正在学习如何使用这些新工具，包括一个专门针对化学和其他科学领域训练的辅助系统。

Abrahamson 表示：“与微软和 PNNL 的合作是一场旨在加速科学发现的长期合作，我们利用这些计算模式的变革力量，专注于化学和材料科学，这是太平洋西北国家实验室的特色和优势。”

他补充说：“我们正处于一个关键时刻，这个时刻见证了人工智能模型的成熟、训练它们并发挥其作用所需的计算力，以及针对特定科学领域进行专门训练的能力。我们相信，这将开启一个加速科学发展的新时代。这非常令人振奋，因为这些问题对全世界都至关重要。”