Heather Kulik

材料 AI 没有 AlphaFold 式的捷径，因为材料涉及更多种类的构建单元、变化高度复杂的成键方式，以及稀疏的实验真值。 Kulik 将 AlphaFold 在球状蛋白质上的成功与材料领域进行对比：前者主要使用20种天然氨基酸，而材料领域当前的势函数“在整个化学空间内肯定不正确”，且在缺乏明确实验验证时，失效后果可能更严重。

Kulik 介绍了一项清晰的 AI 赋能发现：一种聚合物网络通过出乎实验人员预料的设计，使韧性提高了约4倍，并在实验室中得到验证。 AI 从数千到数万种候选材料中进行搜索，而每种材料的单独实验可能耗时数月到数年，最终发现了一个“完全由量子力学驱动的现象”：电子重新排布，使分子组件在开始断裂时获得稳定。

当材料必须同时满足多项约束时，主动学习尤其有价值。 Kulik 的直接空气捕集项目同时优化7个目标，包括成本、湿度稳定性、CO2选择性，以及机械和热稳定性；即使模型并不完美，也能让每个优化维度“至少提速100至1000倍”。

认为神经网络势函数已经取代基于物理的模拟，仍然超出了现有性能证据。 某个一度引发巨大轰动的未具名模型，速度仅比 Kulik 最快的 GPU DFT 计算快约5倍，而且“并非总能工作”。她认为真正具有变革意义的门槛，是以大约快2个数量级的速度，可靠取代 DFT。

通用 LLM 可以补充化学知识，但仍需要专家充当错误检测器。 ChatGPT “在维基百科级别的化学知识上非常出色”，但面对 Kulik 提出的简单要求——设计一个恰好含22个原子、并通过2个氮原子配位的配体——却反复出错。实际操作原则是“把化学学到足够好，知道这些模型什么时候对、什么时候错”。

除了模型规模，实验数据、验证和制造工艺也是主要瓶颈。 从文献中提取的标签会因来源是图表还是作者解读而相互冲突；自动化实验室在处理人类觉得容易的实验时反而可能表现不佳；而材料在器件尺度上的性能取决于加工过程——Kulik 说，“我们还在起点，几乎没有进展。”

算力充裕的公司正在改变学术界选择问题的方式。 Kulik 将学术资源与 Microsoft、Meta“基本无限的资源”进行对比，同时指出，被忽视的化学问题、更扎实的证据、创造性的问题选择、共享云实验室，以及机器可读的实验报告，都是学术界可以发力的方向。

🔗 原始收听与视频来源： 🔬材料领域没有 AlphaFold——与 Heather Kulik 探讨材料发现 AI