廣東
這兩年AI熱潮，人們高呼AI將改變我們的世界。AI將讓我們的生活更美好，將帶來更多的財富。
現(xiàn)狀是，搞語言大模型的企業(yè)陷入高額投資無法維持營收平衡的窘境。
社會充斥著AI搶奪工作崗位的擔憂。
大語言模型真的改變了大家的生活，讓說語言的人們無障礙的交流，讓人與人之間的距離更近，讓人們知道的更多了嗎？
從現(xiàn)在的結果來看，并非如此。我的感受是只有那些一眼假的AI短視頻減少了信息轟炸的成本，增加了接觸垃圾信息的機率。
當前的現(xiàn)狀，讓我思考一個問題：AI技術沒有價值嗎？它會成為曇花一現(xiàn)的消費品，僅僅在人類文明長河中泛起一顆小小的轉瞬即逝的泡沫嗎？
我花費了幾天時間了解了一些不那么受大眾關注的AI技術和AI技術的應用。
得出一個AI也許，可能真的會改變我們未來的結論。這個改變將從材料技術開始。
故事要從我小學時做的自然實驗講起。
一 材料物理特征的來源
大多數(shù)人在小學時都做過從一杯飽和鹽水中析出鹽粒的實驗吧。
我相信大多數(shù)人都是通過將熱鹽水快速冷卻甚至加熱蒸煮的方式來實現(xiàn)的吧。這樣做的好處是快速，便捷。（實際上鹽水的溶解度受溫度的影響較小，快速冷卻的效果并不那么明顯。）
但我小時候用了一個極其蠢笨的方法，常溫制備鹽水+自然蒸發(fā)。甚至愚蠢到用了不擰緊的蓋子來防止外部污染。
結果就是當其他小朋友們都是兩三天就提交了白白的雪花鹽。而我則整整做了一個月，我提交的作業(yè)是規(guī)則的立方體，就像下面這樣。
氯化鈉晶體
學過熱處理的同學一定記得馬氏體，奧氏體。馬氏體金相結構大概是這樣：
馬氏體
奧氏體金相結構是這樣：
奧氏體
金屬內(nèi)部的金相結構是主成分相同金屬材料硬度差異的主要原因，本質(zhì)上是內(nèi)部結構阻止金相移動的阻力大小。（實際上用合金鋼的金相來迎合主題并不是很嚴謹，但比較容易理解。）
鹽水中析出鹽粒，金相的產(chǎn)生都是物質(zhì)從一種形態(tài)（液態(tài)，離子態(tài)）向另一種形態(tài)（固態(tài)）轉變的過程，這個過程被稱之為結晶。
結晶技術最值錢的應用是單晶硅的制備：（這不是本文的重點，就是腦子跳躍了那么一下，圖個樂。）
單晶硅工業(yè)制備過程
決定材料物理特性的除了主要成分之外，就是結晶過程的穩(wěn)定結果--晶格（金相）結構。
金剛石與石墨都是由單一成分碳原子構成，但物理特性差異巨大。一個是世界上最硬的材料之一，一個是世界上最軟的材料之一。金剛石的莫氏硬度高達10，而石墨的莫氏硬度只有1~2。這種巨大差異就是不同的結構產(chǎn)生的整體特征。
金剛石的碳原子晶格大概是這樣的：（可以通過下載材料代號mp-66，獲取cif文件，通過VESTA查看三維結構）
金剛石
石墨的晶格大概是這樣的：（材料代號mp-82）
石墨
工業(yè)制造技術一直都受到材料的制約，比如在改進殲七戰(zhàn)斗機時遇到的發(fā)動機熔毀難題。固態(tài)電池困難重重的根本原因是沒有合適的固態(tài)電解質(zhì)。
在工業(yè)領域有著“一代材料，一代工業(yè)的說法。”可以這么說，材料決定了工業(yè)水平，找到一個滿足要求的材料就足以塑造或者顛覆一個工業(yè)體系。
當前對于新材料的探索，不是基于某種元素尋找滿足要求的晶格結構，就是基于某種晶格結構尋找可替代的元素。
二 材料技術發(fā)展的困難
古代的偶然發(fā)現(xiàn)：人類在掌握用火之后，可能將涂抹了泥巴的編織籃（用于防漏水）放在火堆旁烘烤，或者泥塑的地面經(jīng)受高溫燒烤。人們驚奇地發(fā)現(xiàn)，原本柔軟易碎的泥巴在經(jīng)過烈火煅燒后，發(fā)生了化學和物理變化，變成了堅硬、防水且耐熱的“陶器”。
在燒制陶器或使用篝火時，混入火中的孔雀石（一種含銅的礦石）在高溫和木炭的還原作用下，析出了亮晶晶的銅滴。人類由此掌握了通過高溫熔煉提取金屬銅的技術。工匠在冶煉銅礦時偶然或刻意加入了錫、鉛等其他礦石，發(fā)明了熔點更低、硬度更高的青銅，從而開啟了人類歷史上的“青銅時代”。
工業(yè)時代的不斷試錯：近現(xiàn)代材料技術的發(fā)展完全依賴于技術人員的不斷試錯。化學家諾曼·拉森（Norm Larsen）帶領團隊在實驗室中反復試驗，直到第40次嘗試，才成功研發(fā)出完美的“水分置換”配方，產(chǎn)品被命名為WD-40。
材料技術突破的困難一直是實驗結果的不可預測和高昂的試錯成本。其中關鍵就是缺乏材料技術的理論指導。
以薛定諤方程為指導的第一性原理（密度泛函理論DFT），分子動力學(MD) ，相場法 (PFM)在實際應用中都有著各種局限性。
第一性原理計算（如密度泛函理論DFT）通常是在絕對零度或理想晶體結構下進行的。而真實材料中存在缺陷、晶格無序、相分離等現(xiàn)象，這導致基于完美模型的理論預測在實際合成中常常失效。
即使動力學理論預測某種新物質(zhì)（如高壓相）應該存在，但由于缺乏合成該相所需的激活能或者反應速率極慢，實驗也無法將其制備出來。
材料的宏觀物理/化學性能不僅由微觀晶體結構決定，還由介觀尺度的微觀組織（如晶粒尺寸、相界、位錯）決定。
目前的物理理論和量子力學模型很難將微觀的原子排布與宏觀的材料服役性能（例如抗疲勞、耐腐蝕）建立起完美的映射，這需要跨尺度的經(jīng)驗修正。
許多改變?nèi)祟悮v史的新材料（如導電塑料、高溫超導體、石墨烯）都不是被現(xiàn)代理論“推導”出來的，而是實驗科學家在意外觀察中發(fā)現(xiàn)的，或是基于經(jīng)驗直覺不斷試錯的結果。
很顯然理論與實踐之間存在巨大的鴻溝，這導致當前的材料技術只能如盲人摸象一般蹣跚而行。
三 材料技術的突破希望
現(xiàn)在，AI技術給材料技術突破帶來了曙光。
AI技術正在通過重塑研究范式、加速物理建模、挖掘未知規(guī)律和實現(xiàn)逆向設計，全面革新材料技術理論。它正推動材料科學從“經(jīng)驗試錯” 向 “數(shù)據(jù)驅動與理論指導相結合”的模式轉變。
第一性原理計算（如密度泛函理論，DFT）精度高，但計算成本極高，無法處理復雜大分子或長時間尺度的動力學過程。機器學習（ML）與深度學習可以替代耗時的傳統(tǒng)量子力學計算。通過訓練原子間勢函數(shù)，AI能在毫秒級內(nèi)完成高精度的能量和力預測，使大規(guī)模分子動力學（MD）模擬和微觀演化機制的研究成為可能。
材料的宏觀力學或電學性能（如屈服強度、電池壽命）源于微觀結構，但現(xiàn)有理論難以跨越原子、微觀、介觀到宏觀的巨大尺度鴻溝。圖神經(jīng)網(wǎng)絡（GNN）和多尺度模型能夠有效橋接不同尺度，建立微觀缺陷、晶界與宏觀性能之間的隱性映射，幫助理論物理學家提煉出新的跨尺度演化規(guī)律。
傳統(tǒng)理論大多屬于“正向問題”（即給定材料結構，計算其性能）。面對特定需求時，尋找最優(yōu)結構的逆向設計極其困難。生成式AI（如擴散模型、變分自編碼器）可實現(xiàn)逆向設計。設定目標性能（如特定的導熱率或帶隙）后，模型可直接生成對應的分子式或晶體結構，極大拓寬了人類對理論設計空間的認知。
早期深度學習模型常被視為“黑盒”，雖然能預測結果，但無法提供理論支撐，難以讓材料科學家完全信服。物理信息神經(jīng)網(wǎng)絡（PINN）和可解釋AI（XAI）的引入，將熱力學定律、對稱性等基本物理約束嵌入模型中。AI不僅是在擬合數(shù)據(jù)，更是在幫助科學家從海量變量中篩選顯性內(nèi)稟關系，進而豐富和完善傳統(tǒng)材料學的基礎理論。
四 如何讓AI推動材料技術
關于CGCNN的描述是這樣的：（如果你真的看懂了，那你一定是比我強的多，是個了不起的人。）
CGCNN 是一個用于表示周期性晶體系統(tǒng)的通用機器學習框架。與依賴人工構建特征向量的傳統(tǒng)方法不同，CGCNN直接在晶體圖(Crystal Graph) 之上構建卷積神經(jīng)網(wǎng)絡，從而自動學習表示，以達到密度泛函理論(DFT) 的精度預測材料性質(zhì)，并提供原子層級的化學見解。
晶體圖表示(Crystal Graph Representation)：晶體結構轉化為無向多重圖(UndirectedMultigraph)。
節(jié)點 ：代表原子。每個節(jié)點由一個特征向量描述，編碼了原子屬性（如族數(shù)、周期數(shù)、電負性等）。
邊 ：代表原子間的化學鍵連接。由于晶體的周期性，同一對原子之間可能存在多條邊（多重圖）。每條邊由對應于連接原子i和j的第k個鍵的特征向量。
構建方式：通常在6 ? 半徑內(nèi)搜索最近鄰居。如果原子共享Voronoi 面且距離足夠近（基于共價鍵長度），則認為它們是連接的。
卷積層(Convolutional Layers)：核心的“學習”過程發(fā)生在卷積層。模型通過聚合周圍原子和鍵的信息，迭代更新每個原子的特征向量，以捕捉局部化學環(huán)境。
卷積函數(shù)：為了區(qū)分鄰居之間相互作用強度的差異，模型使用了改進后的更新規(guī)則：
強度計算公式
拼接 ：
拼接公式
是中心原子向量、鄰居原子向量和鍵向量的拼接。
池化與輸出(Pooling and Output)：經(jīng)過R層卷積層后，模型需要生成一個代表整個晶體結構的固定長度向量，無論單元格中有多少個原子。 池化層(Pooling Layer) ：使用歸一化求和(NormalizedSummation) 作為池化函數(shù)。
歸一化函數(shù)
確保了表示具有原子索引排列不變性(PermutationalInvariance) 和晶胞大小不變性(SizeInvariance) 。
- 輸出層 (Output Layer)：晶體特征向量通過全連接隱藏層以捕捉復雜的映射關系，最后通過輸出層預測目標屬性（例如形成能、帶隙）。
模型的總體結構如圖所示：
CGCNN結構
簡單的說：將已知特性和晶格結構的材料進行統(tǒng)一格式的數(shù)字化，使其成為神經(jīng)網(wǎng)絡能夠使用的訓練材料。用元素特征，化合鍵特征做為權重和變量，讓神經(jīng)網(wǎng)絡在督導學習過程中構建晶格/元素特征與物理特性間的聯(lián)系。
當神經(jīng)網(wǎng)絡訓練完成之后，我們可以讓這個神經(jīng)網(wǎng)絡逆向推導出符合輸入要求的材料及材料的晶格結構。
最后，暢想一下。如果這項技術成功了，結合同類型用于提升制造工藝/方法/流程的AI，是否就有可能極大的豐富人類能利用的資源種類，實現(xiàn)更高效的使用資源。制造出更豐富，能應對各種極端環(huán)境的器械。最終實現(xiàn)拓展人類的生存空間，提高人類的文明水平。
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
