中國粉體網訊  材料科學無疑是一門重要科學，從石器時代到青銅時代、鐵器時代，再到如今的新材料時代，人類文明的各個演化階段都和材料緊密相關，可以說材料科學已經成為影響人類文明發展的支柱學科。

從1956年人工智能（AI）被提出，迄今為止已經過去了將近70年。進入21世紀以來，AI已經成為推動科技進步和產業革新的關鍵力量。尤其是近些年，AI發展迅速，稱之為當下最火爆的科學領域也不為過。

那么，將AI引入材料學研究便成為一個重要的交叉學科方向，并且已經有人這么做了，他們憑借自家的AI技術，將材料科學領域攪動到風起云涌。另一方面，AI的發展同樣也離不開材料學的支撐，新材料或許將是AI產業突破性發展需邁過的首要關卡。

AI顛覆材料學

AI跑贏了人類？

2023年11月底，Google旗下的DeepMind在Nature雜志發表了重磅論文，宣稱他們開發了用于材料科學研究的人工智能強化學習模型Graph Networks for Materials Exploration （GNoME），并通過該模型和高通量第一性原理計算，尋找到了38萬余個熱力學穩定的晶體材料，這相當于“為人類增加了800年的智力積累”，極大加快了發現新材料的研究速度。

Google旗下的DeepMind在Nature雜志發布了GNoME數據集及模型

更進一步的是，全世界各地的科學家已經在GNoME的輔助之下，著手將AI預測的新材料進行了合成。如美國勞倫斯伯克利國家實驗室和DeepMind合作，在Nature上刊發了另一篇論文，展示了如何利用GNoME的預測并進行自主材料合成。

他們在最少的人為干預下迅速發現新材料，可以幫助確定和快速跟蹤多個研究領域的材料，包括電池、儲能、太陽能電池、燃料電池等。難以置信的是，他們用17天自主合成了41種新材料！！！

伯克利實驗室的一個自動實驗室，人工智能指導機器人制造新材料。（圖/Marilyn Sargent/Berkeley Lab）

過去，科學家們通過調整已知晶體或試驗新的元素組合來尋找新的晶體結構，這是一個昂貴且耗時的試錯過程，通常需要幾個月的時間才能得到有限的結果。在過去的十年中，全世界各國的科學家通計算機模擬的方法發現了28000種新材料。加上人類利用傳統實驗的方法發現的大約20000種穩定性材料，在使用AI輔助材料發現之前，人類發現的穩定晶體數量總共達到了48000個。

與之相比，使用了AI材料發現工具GNoME，人類發現的穩定晶體數量一下子被提升了接近9倍！

無獨有偶，2023年12月，距離Google的GNoME模型發表數天后，微軟發布了材料科學領域的人工智能生成模型MatterGen，可根據所需要的材料性質按需預測新材料結構。微軟總裁在社交媒體上為自家大模型站臺，評論道：“我們研發的MatterGen模型可以大幅提升新材料的按需研發效率”。

微軟總裁評論自家人工智能材料生成模型

2024年1月，微軟與美國能源部下屬的西北太平洋國家實驗室（PNNL）合作，利用人工智能和高性能計算，從3200萬種無機材料中篩選出了一種全固態電解質材料，完成了從預測到實驗的閉環，該技術可助力下一代鋰離子電池材料研發。

AI在材料科學領域崛起的前提條件已經鋪墊好

AI是否將變革未來材料科學的研究方式？現在來看，可能性很大。

數年前AI攪動生物和制藥領域，美國的Schrödinger公司、Atomwise公司等眾多企業的軟件和模型讓制藥行業看到了新機會，在原子尺度篩選目標藥物分子成為了各大藥廠研發管線中的重要一環。

然而藥物研發周期長，研發成本高，審批環節嚴格，因此已有部分AI制藥公司轉戰材料科學。比如Schrödinger公司成立了材料科學部門。本質上，不論是生物醫藥還是物質科學，AI賦能背后的邏輯是一致的：通過人工智能方法，找到原子間相互作用的求解器和模擬器。

重點是，材料科學和制藥有著相同的底層邏輯，萬事具備，只欠“數據”。數據是人工智能起飛的助推劑，數據集的大小和質量高低直接決定了人工智能的預測本領。由于材料基因工程和若干材料科學數據庫的發展，該領域已具備優質的數據資源，AI在材料科學領域崛起的前提條件已經鋪墊好了。

AI浪潮下，新材料迎來發展機遇

AI產業鏈包括服務器、交換機、光模塊及相關芯片等，AI要想實現快速發展與質的飛躍取決于每個環節的前進步伐，而這些又與那些基礎的新材料息息相關。

芯片制造方面

在芯片制造層面上，經過幾十年的發展，摩爾定律目前已經逐漸走向物理瓶頸，算力的提升不僅僅是制程數字持續縮小，而是材料、設備、芯片架構、制造工藝、供電技術、封裝技術的全面升級。

芯片產業鏈可以分為上游設備、材料、設計，中游晶圓制造，以及下游封裝測試等三個環節， 其中半導體材料是上游環節中非常重要的一環，在芯片的生產制造中起到關鍵性的作用。

芯片制造相關材料

半導體材料主要是芯片制造的上游基礎材料，按工藝環節可分為制造材料和封裝材料。前端制造材料主要包括硅片、 濺射靶材、 CMP拋光液和拋光墊、光刻膠、高純化學試劑、電子氣體、化合物半導體等；后端封裝材料主要包括封裝基板、引線框架、陶瓷封裝體、鍵合金屬線等。

算力基建方面

算力好比AI產業鏈的“原油”，算力的核心系統在于各類服務器。隨著算力需求指數增長，AI服務器零部件的迭代升級，對上游材料也提出更高的性能要求。

印刷電路板（PCB）是在電路中起固定各種元器件，提供各項元器件之間的連接電路，由絕緣隔熱、一定強度的材質制作而成的板材，印制電路板是電子產品的關鍵電子互聯件， 根據Prismark 預測，2027年全球PCB產值將達到983.9億美元。

2022年覆銅板成本組成

PCB產業鏈的上游原材料主要為玻璃紗（或玻璃纖維布）、樹脂、銅箔等。其中，電子級樹脂很大程度上決定了覆銅板性能以及最終的應用場景。電子樹脂指的是基于差異化性能需求專門設計的具有特殊的骨架結構和官能團的一系列新型熱固性樹脂。

電子級樹脂分為兩條路線：一條是以改性聚苯醚（PPO）為代表的熱固性樹脂體系，另一條以聚四氟乙烯（PTFE）為代表的熱塑性樹脂體系。目前最主流的路線是以“PPO為主體+交聯劑”為主流路線。近年來還出現了改性馬來酰亞胺、特種環氧樹脂等為基材的覆銅板品種。

數據傳輸方面

高能效數據傳輸能夠進一步提升算力。單張GPU卡的計算能力存在極限，因此需要采用多GPU組合方式來提高計算性能，而GPU之間需要高效的通信，速度更快、可擴展性更強的互連已成為當前的迫切需求，光模塊有望充分受益。

磷化銦（InP）是一種重要的化合物半導體材料，與砷化鎵相比，磷化銦在電光轉換效率、散熱性能具有顯著優勢并且發光波長更適合光通訊需求，是目前光模塊芯片的主流襯底材料，在AI數據傳輸等方面將大有作為。

隨著 AI 算力飛速發展，市場對數據傳輸速度和數據儲存容量的需求不斷增加，為了保證光模塊穩 定的進行超大數據的傳輸處理，光模塊芯片底座基礎材料需要具備低膨脹系數和高導熱特性。400G以上光模塊芯片對散熱要求大幅提高，需要具有 低膨脹更高導熱特性的新材料來滿足要求。其中，鎢銅基板材料可匹配光模塊散熱提升需求，逐步打開成長空間。

熱管理方面

在行業人士看來，AI的競爭追根究底是算力競爭，而高算力芯片的一個主要瓶頸就是散熱能力，未來幾年AI行業中可能會出現算力被散熱 " 卡脖子 " 的情況，散熱的重要性不言喻。

從散熱性能角度來說，AI的大規模發展帶動算力需求提升，芯片和服務器功率逐步升級，超出風冷散熱能力范疇，液冷或將成為最佳解決方案。

不同液冷技術采用的主要冷卻液不同，冷板式液冷冷卻液主要為乙二醇溶液、丙二醇溶液、去離子水等，應具備較好的材料兼容性等性能；浸沒式液冷冷卻液包括碳氫及有機硅化合物類、碳氟化合物類。其中，業內一般將碳氫化合物及有機硅類冷卻液稱為“油類冷卻液”，主要分天然礦物油、合成油、有機硅油3大類。而碳氟化合物類包括氫氟烴（HFC）、全氟碳化合物（PFC）、氫氟醚（HFE）等。

其中，氟化冷卻液整體傳熱能力相對更好，且無閃點不可燃、壽命長、兼容性好、低粘度易維護，整體性能相較碳氫及有機硅化合物類相對較好，可用于單相與相變浸沒式液冷，未來有望成為主流。

小結

目前來看，AI將協助人類進行材料科學研究之事存在很大的可行性，而未來AI的前進步伐卻又和材料學的發展水平密不可分。未來會不會這個樣子：隨著材料科學的不斷突破，AI技術會更加強大，屆時AI可協助人們更加科學地快速發現并合成很多新材料，而其中具備某些性能的新材料恰恰是實現AI的某種功能的關鍵材料。那么，這將是顛覆與反哺的不斷循環......

參考來源：

[1]AI再顛覆材料學！微軟MatterGen直接生成新材料，穩定性超SOTA模型2.9倍. 新智元

[2]劉淼、孟勝.AI引發材料科學變革，有一場“硬仗”無法規避

[3]Nature重磅！AI獨自創造41種新材料，僅用17天！. SynBioX

[4]徐奕晨 夏斯亭等.AI新材料系列：氟化液迎來發展機遇

[5]AI賦能！化工新材料能否迎來產業煥新？.化工新材料

[6]人工智能（AI）芯片加速升級帶動之金屬新材料.新材料先生

（中國粉體網編輯整理/山川）

注：圖片非商業用途，存在侵權告知刪除