从半导体到超导体：Periodic Labs用AI加速材料发现

材料科学长期面临一个根本性瓶颈：从理论预测到实验验证的周期动辄数年甚至数十年。Periodic Labs的Liam Fedus和Ekin Dogus Cubuk在一期Science与Engineering播客交叉节目中，详细讨论了如何用AI合成超级智能来压缩这一周期——从半导体延伸到超导体，目标直指材料发现的范式变革。

为什么材料发现需要AI

传统材料研发依赖密度泛函理论（DFT）计算加实验试错，两者之间存在巨大的效率鸿沟。DFT可以预测候选材料性质，但计算成本极高；实验验证则更慢，一个新材料从假设到合成往往需要数年。

Cubuk此前在Google DeepMind参与GNoME项目，该项目一次性预测了数十万种稳定晶体结构。Fedus则来自OpenAI，主导过多个大规模模型训练项目。两人的组合代表了AI for Science领域的一种新思路：不是用AI辅助单一环节，而是用基础模型重构整个发现流程。

Periodic Labs的核心主张是，材料发现可以被建模为一个搜索问题，而搜索的效率取决于预测模型的准确性和覆盖范围。当模型能够同时预测结构稳定性、合成可行性和目标性质时，实验验证的命中率将大幅提升。

密度泛函理论（DFT）是材料计算领域的基石方法，通过求解电子密度分布来预测材料的电子结构、力学性质和热力学稳定性。它的优势在于不依赖实验参数，仅从原子种类和排列出发就能给出第一性原理预测。然而DFT的计算复杂度随电子数呈立方甚至更高阶增长，一个包含数十个原子的晶胞单次计算可能耗费数小时到数天。如果需要筛选成千上万个候选结构，总计算量将变得不可承受。这正是AI模型的价值所在：用DFT生成的高质量数据训练代理模型（surrogate model），在推理阶段以毫秒级速度给出接近DFT精度的预测，从而把搜索空间从数千扩展到数百万。

GNoME（Graph Networks for Materials Exploration）是Google DeepMind在2023年发表于Nature的项目，利用图神经网络大规模预测无机晶体结构稳定性。它将晶体表示为原子和化学键构成的图，训练模型预测形成能（formation energy），从而判断哪些结构在热力学上稳定、可被合成。GNoME一次性产出了约220万种新晶体结构，其中约38万种被评估为稳定候选。这一数量级远超人类数百年来已知的无机晶体总数（约数万种），展示了AI在大规模材料筛选上的潜力。但GNoME也暴露了问题：预测稳定不等于实验可合成，大量候选结构缺乏可行的合成路径，这正是Periodic Labs试图通过引入合成规划来弥补的缺口。

从半导体到超导体的路线图

半导体是Periodic Labs首先瞄准的领域，原因很直接：半导体材料的计算数据库相对完善，实验表征手段成熟，且工业需求明确。这使得模型可以快速迭代验证。

超导体则是更具野心的目标。室温超导的探索充满争议，但即便在常规超导领域，寻找更高临界温度、更容易加工的材料仍然有巨大价值。播客中两位嘉宾提到，超导材料的复杂性在于其性质高度依赖电子配对机制，这对模型的物理直觉提出了更高要求。

路线图的关键在于迁移学习：在半导体数据上训练的模型能否泛化到超导体？Cubuk认为，晶体结构的表示学习是通用的，但性质预测需要针对不同物理机制进行微调。这意味着Periodic Labs需要构建一个多任务框架，而非单一用途的预测器。

超导材料的电子配对机制是理解其复杂性的关键。常规超导体（如铌钛合金、MgB₂）遵循BCS理论：电子通过晶格振动（声子）间接吸引形成库珀对，从而无阻传导电流。临界温度Tc通常较低，最高约39K（MgB₂）。而非常规超导体（如铜氧化物高温超导体、铁基超导体）的配对机制至今没有统一理论，可能涉及自旋涨落等磁相互作用，这使得从晶体结构直接预测Tc极为困难。AI模型在处理常规超导体时可以借助已有的BCS框架作为先验，但面对非常规体系时缺乏可靠的物理方程作为约束，只能依赖数据驱动的模式识别。

迁移学习（transfer learning）在此场景下的核心问题是分布偏移。半导体数据库中的结构多为金刚石型、闪锌矿型等sp³杂化体系，而超导体涵盖钙钛矿、层状铜氧化物、铁基化合物等截然不同的结构家族。晶体图表示（如原子间距、配位数、局部对称性）可以在不同体系中通用，但性质预测头（property head）需要重新训练或微调，因为决定Tc的物理量与决定半导体带隙的物理量完全不同。这意味着多任务框架中的共享层负责学习通用晶体表示，而任务特定层则捕捉各自的物理机制——这种架构设计是Periodic Labs路线图能否成功的关键。

Forward Deployed Engineering的含义

播客中提到的"Forward Deployed Engineering"（前沿部署工程）值得单独讨论。这个概念借用了Palantir的术语，指的是工程师直接嵌入客户或实验团队，根据实际反馈快速调整模型。

在材料发现场景中，这意味着AI研究员需要和实验科学家坐在一起，理解合成过程中的实际约束——比如温度窗口、前驱体兼容性、设备限制。这些约束很难从论文中完整获取，但对模型可用性至关重要。

Fedus强调，纯计算团队容易陷入"预测很准但无法合成"的困境。Forward Deployed Engineering是解决这一问题的组织手段，让模型从一开始就考虑实验现实。

合成超级智能的边界

"Synthesis Superintelligence"这个说法容易引发误解。两位嘉宾澄清，这里的"超级智能"不是通用人工智能，而是在合成规划（synthesis planning）这一特定任务上超越人类专家的系统能力。

合成规划是材料化学中最难的环节之一。给定目标材料，如何选择前驱体、反应路径和条件？人类化学家依赖经验和直觉，而AI需要从有限的反应数据中学习。Cubuk指出，当前模型在逆向合成（retrosynthesis）任务上已有不错表现，但在无机材料领域仍落后于有机化学。

边界还体现在验证环节。AI可以生成候选材料，但最终判断必须来自实验。Periodic Labs的策略是建立自动化实验平台，将合成和表征闭环，让模型能够从失败中快速学习。

逆向合成（retrosynthesis）是合成规划中的核心计算问题：给定目标分子或材料，反推可行的前驱体和反应路径。在有机化学领域，这一任务已有较成熟的AI方案，如基于模板的方法和基于序列到序列模型的方案。有机反应的规则相对明确（官能团转化、保护基策略等），且训练数据充足——Reaxys和SciFinder等数据库收录了数千万条有机反应记录。

无机材料的逆向合成则困难得多。无机反应常涉及固相反应、高温烧结、水热合成等路径，反应条件（温度、压力、气氛）对产物影响极大，且副反应和中间态难以观测。无机反应数据库的规模远小于有机领域，标准化程度也低。更关键的是，无机合成中“可行路径”往往不唯一，同一种材料可以通过多种前驱体和条件组合获得，这增加了模型学习的歧义性。Cubuk指出当前模型在无机逆向合成上仍明显落后，这也是Periodic Labs需要自建自动化实验平台、通过闭环反馈积累专有数据的原因——公开数据不足以支撑这一任务的学习。

对AI for Science的启示

Periodic Labs的实践揭示了AI for Science的一个关键趋势：从工具化走向平台化。早期工作如AlphaFold解决了单一预测问题，而下一代系统需要整合预测、规划和实验执行。

这要求团队同时具备机器学习、计算物理和实验化学的能力，组织难度远高于纯软件项目。Fedus和Cubuk的组合——一个来自大模型训练，一个来自计算材料——本身就是一个信号：跨领域协作是这个方向的基本要求。

另一个启示是数据策略。材料数据分散在论文、数据库和实验室内部记录中，标准化程度低。Periodic Labs必须投入大量精力做数据清洗和结构化，这部分工作不性感但决定成败。

播客最后提到，AI for Science的评估标准应该从"预测准确率"转向"实验命中率"——即模型建议的材料中有多少最终被成功合成并验证。这个指标更残酷，但更接近实际价值。