中国粉体网讯 材料科学无疑是一门重要科学，从石器时代到青铜时代、铁器时代，再到如今的新材料时代，人类文明的各个演化阶段都和材料紧密相关，可以说材料科学已经成为影响人类文明发展的支柱学科。
从1956年人工智能（AI）被提出，迄今为止已经过去了将近70年。进入21世纪以来，AI已经成为推动科技进步和产业革新的关键力量。尤其是近些年，AI发展迅速，称之为当下最火爆的科学领域也不为过。
那么，将AI引入材料学研究便成为一个重要的交叉学科方向，并且已经有人这么做了，他们凭借自家的AI技术，将材料科学领域搅动到风起云涌。另一方面，AI的发展同样也离不开材料学的支撑，新材料或许将是AI产业突破性发展需迈过的首要关卡。
AI颠覆材料学
AI跑赢了人类？
2023年11月底，Google旗下的DeepMind在Nature杂志发表了重磅论文，宣称他们开发了用于材料科学研究的人工智能强化学习模型Graph Networks for Materials Exploration （GNoME），并通过该模型和高通量第一性原理计算，寻找到了38万余个热力学稳定的晶体材料，这相当于“为人类增加了800年的智力积累”，极大加快了发现新材料的研究速度。
Google旗下的DeepMind在Nature杂志发布了GNoME数据集及模型
更进一步的是，全世界各地的科学家已经在GNoME的辅助之下，着手将AI预测的新材料进行了合成。如美国劳伦斯伯克利国家实验室和DeepMind合作，在Nature上刊发了另一篇论文，展示了如何利用GNoME的预测并进行自主材料合成。
他们在最少的人为干预下迅速发现新材料，可以帮助确定和快速跟踪多个研究领域的材料，包括电池、储能、太阳能电池、燃料电池等。难以置信的是，他们用17天自主合成了41种新材料！！！
伯克利实验室的一个自动实验室，人工智能指导机器人制造新材料。（图/Marilyn Sargent/Berkeley Lab）
过去，科学家们通过调整已知晶体或试验新的元素组合来寻找新的晶体结构，这是一个昂贵且耗时的试错过程，通常需要几个月的时间才能得到有限的结果。在过去的十年中，全世界各国的科学家通计算机模拟的方法发现了28000种新材料。加上人类利用传统实验的方法发现的大约20000种稳定性材料，在使用AI辅助材料发现之前，人类发现的稳定晶体数量总共达到了48000个。
与之相比，使用了AI材料发现工具GNoME，人类发现的稳定晶体数量一下子被提升了接近9倍！
无独有偶，2023年12月，距离Google的GNoME模型发表数天后，微软发布了材料科学领域的人工智能生成模型MatterGen，可根据所需要的材料性质按需预测新材料结构。微软总裁在社交媒体上为自家大模型站台，评论道：“我们研发的MatterGen模型可以大幅提升新材料的按需研发效率”。
微软总裁评论自家人工智能材料生成模型
2024年1月，微软与美国能源部下属的西北太平洋国家实验室（PNNL）合作，利用人工智能和高性能计算，从3200万种无机材料中筛选出了一种全固态电解质材料，完成了从预测到实验的闭环，该技术可助力下一代锂离子电池材料研发。
AI在材料科学领域崛起的前提条件已经铺垫好
AI是否将变革未来材料科学的研究方式？现在来看，可能性很大。
数年前AI搅动生物和制药领域，美国的Schrödinger公司、Atomwise公司等众多企业的软件和模型让制药行业看到了新机会，在原子尺度筛选目标药物分子成为了各大药厂研发管线中的重要一环。
然而药物研发周期长，研发成本高，审批环节严格，因此已有部分AI制药公司转战材料科学。比如Schrödinger公司成立了材料科学部门。本质上，不论是生物医药还是物质科学，AI赋能背后的逻辑是一致的：通过人工智能方法，找到原子间相互作用的求解器和模拟器。
重点是，材料科学和制药有着相同的底层逻辑，万事具备，只欠“数据”。数据是人工智能起飞的助推剂，数据集的大小和质量高低直接决定了人工智能的预测本领。由于材料基因工程和若干材料科学数据库的发展，该领域已具备优质的数据资源，AI在材料科学领域崛起的前提条件已经铺垫好了。
AI浪潮下，新材料迎来发展机遇
AI产业链包括服务器、交换机、光模块及相关芯片等，AI要想实现快速发展与质的飞跃取决于每个环节的前进步伐，而这些又与那些基础的新材料息息相关。
芯片制造方面
在芯片制造层面上，经过几十年的发展，摩尔定律目前已经逐渐走向物理瓶颈，算力的提升不仅仅是制程数字持续缩小，而是材料、设备、芯片架构、制造工艺、供电技术、封装技术的全面升级。
芯片产业链可以分为上游设备、材料、设计，中游晶圆制造，以及下游封装测试等三个环节， 其中半导体材料是上游环节中非常重要的一环，在芯片的生产制造中起到关键性的作用。
芯片制造相关材料
半导体材料主要是芯片制造的上游基础材料，按工艺环节可分为制造材料和封装材料。前端制造材料主要包括硅片、 溅射靶材、 CMP抛光液和抛光垫、光刻胶、高纯化学试剂、电子气体、化合物半导体等；后端封装材料主要包括封装基板、引线框架、陶瓷封装体、键合金属线等。
算力基建方面
算力好比AI产业链的“原油”，算力的核心系统在于各类服务器。随着算力需求指数增长，AI服务器零部件的迭代升级，对上游材料也提出更高的性能要求。
印刷电路板（PCB）是在电路中起固定各种元器件，提供各项元器件之间的连接电路，由绝缘隔热、一定强度的材质制作而成的板材，印制电路板是电子产品的关键电子互联件， 根据Prismark 预测，2027年全球PCB产值将达到983.9亿美元。
2022年覆铜板成本组成
PCB产业链的上游原材料主要为玻璃纱（或玻璃纤维布）、树脂、铜箔等。其中，电子级树脂很大程度上决定了覆铜板性能以及最终的应用场景。电子树脂指的是基于差异化性能需求专门设计的具有特殊的骨架结构和官能团的一系列新型热固性树脂。
电子级树脂分为两条路线：一条是以改性聚苯醚（PPO）为代表的热固性树脂体系，另一条以聚四氟乙烯（PTFE）为代表的热塑性树脂体系。目前最主流的路线是以“PPO为主体+交联剂”为主流路线。近年来还出现了改性马来酰亚胺、特种环氧树脂等为基材的覆铜板品种。
数据传输方面
高能效数据传输能够进一步提升算力。单张GPU卡的计算能力存在极限，因此需要采用多GPU组合方式来提高计算性能，而GPU之间需要高效的通信，速度更快、可扩展性更强的互连已成为当前的迫切需求，光模块有望充分受益。
磷化铟（InP）是一种重要的化合物半导体材料，与砷化镓相比，磷化铟在电光转换效率、散热性能具有显著优势并且发光波长更适合光通讯需求，是目前光模块芯片的主流衬底材料，在AI数据传输等方面将大有作为。
随着 AI 算力飞速发展，市场对数据传输速度和数据储存容量的需求不断增加，为了保证光模块稳 定的进行超大数据的传输处理，光模块芯片底座基础材料需要具备低膨胀系数和高导热特性。400G以上光模块芯片对散热要求大幅提高，需要具有 低膨胀更高导热特性的新材料来满足要求。其中，钨铜基板材料可匹配光模块散热提升需求，逐步打开成长空间。
热管理方面
在行业人士看来，AI的竞争追根究底是算力竞争，而高算力芯片的一个主要瓶颈就是散热能力，未来几年AI行业中可能会出现算力被散热 " 卡脖子 " 的情况，散热的重要性不言喻。
从散热性能角度来说，AI的大规模发展带动算力需求提升，芯片和服务器功率逐步升级，超出风冷散热能力范畴，液冷或将成为最佳解决方案。
不同液冷技术采用的主要冷却液不同，冷板式液冷冷却液主要为乙二醇溶液、丙二醇溶液、去离子水等，应具备较好的材料兼容性等性能；浸没式液冷冷却液包括碳氢及有机硅化合物类、碳氟化合物类。其中，业内一般将碳氢化合物及有机硅类冷却液称为“油类冷却液”，主要分天然矿物油、合成油、有机硅油3大类。而碳氟化合物类包括氢氟烃（HFC）、全氟碳化合物（PFC）、氢氟醚（HFE）等。
其中，氟化冷却液整体传热能力相对更好，且无闪点不可燃、寿命长、兼容性好、低粘度易维护，整体性能相较碳氢及有机硅化合物类相对较好，可用于单相与相变浸没式液冷，未来有望成为主流。
小结
目前来看，AI将协助人类进行材料科学研究之事存在很大的可行性，而未来AI的前进步伐却又和材料学的发展水平密不可分。未来会不会这个样子：随着材料科学的不断突破，AI技术会更加强大，届时AI可协助人们更加科学地快速发现并合成很多新材料，而其中具备某些性能的新材料恰恰是实现AI的某种功能的关键材料。那么，这将是颠覆与反哺的不断循环......
参考来源：
[1]AI再颠覆材料学！微软MatterGen直接生成新材料，稳定性超SOTA模型2.9倍. 新智元
[2]刘淼、孟胜.AI引发材料科学变革，有一场“硬仗”无法规避
[3]Nature重磅！AI独自创造41种新材料，仅用17天！. SynBioX
[4]徐奕晨 夏斯亭等.AI新材料系列：氟化液迎来发展机遇
[5]AI赋能！化工新材料能否迎来产业焕新？.化工新材料
[6]人工智能（AI）芯片加速升级带动之金属新材料.新材料先生
（中国粉体网编辑整理/山川）
注：图片非商业用途，存在侵权告知删除
