谷歌DeepMind的科学家去年发表的一篇论文描述了使用名为 GNoME 的人工智能系统发现新材料,目前正面临新的审查。在一篇新文章中,两位材料科学教授认为,许多预测的化合物可能无法满足对该领域新颖、可靠和有用贡献的关键标准。他们的分析重新激发了关于机器学习如何最有效地帮助科学研究的讨论。
Google DeepMind 论文发表后引起了极大兴趣,其作者表示 GNoME 已将已知稳定材料的数量扩大了一个数量级。然而,加州大学圣巴巴拉分校的 Anthony Cheetham 和 Ram Seshadri认为,所使用的语言夸大了研究结果。他们表示,大多数预测只是关于无机晶体结构,而不是声称的更广泛的“材料”类别。
什么标准定义有意义的新材料发现?
Cheetham 和 Seshadri 提出了任何有价值的新材料预测都应满足的三个关键标准——在潜在的实验实现方面必须是可信的,新颖的而不是现有化合物的微不足道的扩展,并且通过展示明确的潜在功能或效用而有用。他们认为,谷歌 DeepMind 论文中强调的结构很少(如果有的话)满足这三重要求。这让人质疑它真正提供的已知稳定材料的革命性扩展。
作为回应,Google DeepMind 坚持其原始研究中的主张。然而,这场辩论指出了在使用人工智能进行科学发现时整合领域知识的重要考虑因素。虽然开发的机器学习方法有望大大加速这一过程,但只关注预测风险而忽视了实际的综合挑战。
通过从一开始就与材料科学家进行更密切的合作,人工智能系统可能会朝着最有可能有意义地推进该领域发展的发现方向发展。该分析表明,该技术的全部潜力在于机器智能和人类专业知识的交叉点。