GNoME:把材料发现从万级枚举推到百万级凸包
新一、简介
GNoME 是 Google DeepMind 在 2023 年 11 月发表的材料发现系统,论文标题为《Scaling deep learning for materials discovery》,同期发表于《自然》卷 624 第 80–85 页。系统要解决的问题很具体:候选晶体的可能空间远超暴力枚举的承受能力,而判断一个结构是否落在能量凸包上需要第一性原理计算,两头夹逼之下,材料发现长期停留在万级条目规模。
论文给出的答案是把图神经网络放在中间做筛选器,构成一个闭环。候选结构由两条管线生成,模型先给出能量与稳定性预测,只有通过预测阈值的结构才被送去做 DFT 计算,DFT 结果再回流到训练集,用于训练下一轮模型。论文摘要中的描述是:模型驱动筛选与 DFT 共同构成一个数据飞轮(data flywheel),飞轮每转一圈,可探索的化学空间就更宽一层。
最终产出的规模数字常被混用,需要分清三个口径。其一是候选池规模:主动学习全程生成并筛选了超过 10⁹ 个候选结构。其二是稳定结构总量:模型发现 220 万个结构相对此前工作位于当前凸包之下(below the current convex hull)。其三是真正新增的稳定条目:更新后的凸包新增 381,000 个条目,使稳定晶体总数达到 421,000 个,相对此前 48,000 个基线是一个数量级的扩张。这三个数字分别对应”搜了多少”、“命中多少”和”沉淀了多少”,在引用时不应混用。
验证方面有两条独立线索。一条是与实验比对:在 ICSD 汇总的实验结构中,有 736 个与 GNoME 独立获得的结构相匹配,论文中给出其中六个实例。另一条是更高精度的泛函复算:使用 r²SCAN 泛函对发现的二元与三元晶体复算,84% 仍保持负的相分离能,说明结论对泛函选择具有一定稳健性。
配套产出同样是这次工作的实质部分。官方仓库 google-deepmind/materials_discovery 于论文同日在 GitHub 上线,提供稳定材料汇总 CSV、按 id / 组成 / 约化式组织的压缩 CIF 目录、r²SCAN 复算结果,以及静态图神经网络与 NequIP 势的模型定义和若干 Colab 交互示例。数据集托管在公开云存储桶 gs://gdm_materials_discovery,并通过 Materials Project 页面与永久链接 10.17188/2009989 同步发布。
对于仿真工程师而言,GNoME 的意义并不止于”发现了很多新材料”。它把”用学习模型压缩搜索空间、用第一性原理做最终裁决”这一范式推进到了此前没有的规模,并附带一条独立演化的势函数支线:由弛豫轨迹训练出的通用机器学习原子间势,可以零样本用于离子电导率的分子动力学估计。这条支线与 MACE 机器学习势 讨论的基础势路线、以及 物理基础模型 收录的通用模型谱系,属于同一技术脉络的不同分支。
二、原理与工作方式
GNoME 的技术骨架由三部分构成:候选生成、模型筛选与 DFT 校验、主动学习回流。
候选生成走两条互补的管线。结构管线从已知晶体出发做替换式生成,但论文特别强调不做简单的完全替换,而是调整离子替换概率以偏向探索性结果,并引入他们提出的对称性感知部分替换(symmetry-aware partial substitutions, SAPS),用框架化的方式支持”部分替换”,从而绕开完全替换带来的组合爆炸。论文以双钙钛矿 A₂B₂X₆ 的离子替换为例说明这一动机:受限于严格化学约束的生成会漏掉这类部分占位的结构。结构管线在整个主动学习过程中累计产生超过 10⁹ 个候选。成分管线则完全不看结构,只输入约化化学式,用放宽的氧化态配平约束做初筛(论文指出严格配平会漏掉 Li₁₅Si₄ 这样的组成),再为每个通过筛选的组成初始化 100 个随机结构,进入基于第一性原理的随机结构搜索。
筛选由两套模型完成。结构模型是一个静态图神经网络,在原子图上做消息传递,作者说明聚合投影采用带 swish 非线性的浅层多层感知机,并且对结构模型而言,把边上的消息按整个数据集的平均邻接度归一化到节点上这一步很重要。成分模型的输入被压缩为约化化学式。模型输出能量与一个依据相对稳定性(分解能)设定的阈值,通过筛选的结构进入后续环节。
不确定性量化采用深度集成(deep ensembles)方法,配合基于体积的测试时增强(test-time augmentation),用于在十亿量级候选上做过滤。结构随后被聚类并对多形体排序,再送去做 DFT 评估。
DFT 评估使用 VASP,PBE 泛函配合 PAW 赝势,作者声明设置与 Materials Project 工作流一致,通过 pymatgen 与 atomate 编码,包括对部分过渡金属施加的 Hubbard U 参数、520 eV 的平面波截断能、磁化设置等。这一步同时承担两个角色:既是对模型预测的裁决,也是训练数据的来源。
主动学习飞轮因此是自洽的:模型筛选出的结构越有价值,DFT 算得越准,训练集增长越快,下一轮模型的筛选精度越高。论文报告的规律是模型精度随数据量呈幂律提升,这与其他领域观察到的深度学习规模律一致。
模型预测误差随规模收敛的轨迹也可核查:初始模型训练于 2018 年的 Materials Project 快照,约 69,000 个材料,改进后的网络达到 21 meV/atom 的平均绝对误差,此前工作在同一任务上的基准是 28 meV/atom。扩展到最终模型时,能量预测精度达到 11 meV/atom,结构管线把稳定预测的命中率(hit rate)提升到 80% 以上,成分管线单独使用时每 100 次试验命中 33%,而此前工作这一数字为 1%。
模型侧还有一项值得注意的能力:论文报告在训练中未包含五元及以上元素的情况下,网络对这类结构仍能给出准确预测,这被作者描述为涌现式的分布外泛化,对探索高元数化学空间意义直接。
在弛豫轨迹之上,论文进一步用同一批数据训练通用机器学习原子间势。这批数据来自离子弛豫过程中计算出的第一性原理能量与力,规模与多样性前所未有。势模型采用 NequIP 架构(Batzner 等人 2022 年的工作),以 JAX 实现。论文给出的训练细节包括:元素用 94 元素独热编码嵌入、使用自连接、每次卷积后除以 26 做内部归一化、Adam 优化器学习率 2×10⁻³、批大小 32;每个批次由 16 个来自全部弛豫帧的结构与 16 个仅来自弛豫首帧的结构组成,作者称对首帧的过采样显著改善了下游任务表现。稳健性实验选用 As₂₄Ca₂₄Li₂₄、Ba₈Li₁₆Se₃₂Si₈、K₂₄Li₁₆P₂₄Sn₈、Li₃₂S₂₄Si₄ 等体系,在 400 K 的第一性原理分子动力学轨迹上按递增训练集规模训练模型,并在 400 K 与 1000 K 两个温度下评估。
三、适用边界与前提
GNoME 的结论建立在若干明确的前提之上,脱离这些前提解读其数字会得出错误结论。
第一,稳定性判据是 PBE 层面的分解能。论文用 r²SCAN 泛函对二元与三元晶体复算,得到 84% 保持负相分离能,这是稳健性证据,不构成全量保证。作者在数据集文档中明确写出:稳定性指标随泛函选择而变化,因此按该指标,已发布材料不会全部保持稳定。社区后续研究(例如发表于 npj Computational Materials 的通用机器学习原子间势基准工作,以及围绕 Materials Project 兼容的 PBE(+U) 与 r²SCAN 稳定性结论分歧的专门研究)也反复指出同一问题。论文提到的 736 个实验匹配主要针对结构本身,并未对每条目的稳定性判据做全面实验复核。
第二,凸包是快照意义上的凸包。数据集文档写得很清楚:所提供材料更新的是 Materials Project 等数据库的某个快照版本所定义的凸包,因此随着科学界发现更多晶体,这一集合未必继续保持稳定。数据集本身把凸包阈值设为 5×10⁻⁵ eV,而 2024 年 8 月的版本把发布范围放宽到距凸包 1 meV/atom 以内的材料,条目规模从 38.1 万增至 52 万以上。
第三,能量口径需要自行对齐。完整凸包的重建需要 Materials Project、OQMD 与 WBM 三方数据协同,而各库的赝势设置并不完全一致。数据集提供了针对 Ga、Ge、Li、Mg、Na 五种元素的逐原子赝势校正值,以把 Materials Project 条目的能量校正到 GNoME 的口径;论文也提到 GNoME 至少把 Materials Project 与 OQMD 中 5,000 个”稳定”材料挤出凸包。直接混用不同来源的能量计算分解能会产生系统性偏差。
第四,可合成性不在模型的判据内。GNoME 优化的是热力学稳定性这一单一维度,动力学可合成性、合成路径经济性、元素供应与供应链约束都不在模型输出里。论文本身把”可用于技术应用筛选的最终凸包条目”定位为供进一步筛选的候选池,并未作为已验证可合成的清单。
第五,势模型支线面向体相固体。其稳健性实验覆盖的是有限的几种离子化合物体系,评估温度上限为 1000 K,且论文示范的应用是离子电导率的零样本估计,不能直接外推到表面、缺陷、熔体或复杂界面等场景。
第六,数据许可对用途有实际约束。数据集以 CC BY-NC 4.0 发布,即仅限非商业用途;代码与 Notebook 为 Apache-2.0。仓库的免责声明还写明数据仅供理论建模使用,不适用于也不批准任何医疗或临床用途。
四、上手路径
最省力的入口是官方数据集描述文件 DATASET.md,它把下载、字段、凸包重建方法、版本历史逐项写清,比直接翻论文更实用。仓库提供两条下载路径:命令行用 gcloud storage cp --recursive gs://gdm_materials_discovery/ data/,Python 侧提供 scripts/download_data_wget.py 与 scripts/download_data_cloud.py 两个辅助脚本,后者在已授权 Google Cloud CLI 的情况下更省事;两者都支持 --data_dir 参数,默认落在当前工作目录下的 data/。
云桶目录结构规整。gnome_data/ 下是 stable_materials_summary.csv(汇总表,含组成与 DFT 原始能量、形成能、分解能等)、stable_materials_r2scan.csv(r²SCAN 复算结果),以及三个按不同索引方式组织的压缩结构目录 by_composition.zip、by_id.zip、by_reduced_formula.zip;auxiliary_gnome_data/ 存放 a2c 结构预测的支撑数据;external_data/ 存放 Materials Project 快照汇总与外部材料汇总。
由于凸包组织方式所致,每个组成只需保留一个结构,因此实际使用的推荐路径是:先用汇总 CSV 定位需要的组成,再从压缩目录中按 id 抽取对应结构。仓库中的可视化 Colab 给出了从压缩 ZIP 中按需提取单个文件的示范做法,避免整包解压。
汇总表的字段设计值得在写脚本前先熟悉。除组成、MaterialId、约化式、元素组合外,还包括原子数、体积、密度、点群、空间群与空间群号、晶系、未校正能量、经 MP2020 校正的能量、逐原子形成能、逐原子分解能,以及若干版本的分解能口径:Decomposition Energy Per Atom(相对下载的 Materials Project 凸包)、All(相对全部条目凸包)、Relative(排除自身)、MP(仅 Materials Project 条目)、MP OQMD(Materials Project 加 OQMD 含重算条目)。另有 Dimensionality Cheon(由 Cheon 等人 2017 年方法预测的维度性)、Bandgap(若可得)、Is Train(是否在关联机器学习模型的训练集中)等字段。形成能一律相对 Materials Project 的一组固定单质参考能计算,且元素参考能单列在 elemental_references.json 中。
需要重建完整凸包时,除 GNoME 自带汇总表外还必须并入 Materials Project、OQMD 与 WBM 的能量。数据集专门提供了 external_materials_summary.csv,给出与外部数据集元素组成匹配的凸包条目与能量,便于跨库拼接。
模型部分,仓库的 model/ 目录提供论文所用两套模型的定义:一套是 GNoME 静态图神经网络,主体是发现新稳定材料的主力模型,架构经过优化、在 2018 年 Materials Project 快照上训练后达到 21 meV/atom;另一套是 NequIP 架构,用论文中的大规模数据训练出描述原子间相互作用的势,以 JAX 实现并附带基础配置参数。README 中列出的待办项显示,模型训练 Colab 与配置、参考结构与搜索路径、电子能带等附加物化性质属于后续补充项,尚未齐备。
对只想快速判断某个体系稳定性的读者,最小可用路径是下载 stable_materials_summary.csv,用 Decomposition Energy Per Atom 系列字段筛选候选,再按 id 从 by_id.zip 取结构做进一步的第一性原理或机器学习势计算。中文读者亦可先参考 代理模型与降阶模型 中关于代理模型与降阶建模的方法学讨论,再回到本条目评估具体数据口径。
五、横向对比
把 GNoME 放到同类工作的坐标系里,最直接的参照是它的同期论文与后续谱系。
同一期《自然》上,紧邻发表的《An autonomous laboratory for the accelerated synthesis of inorganic materials》(卷 624 第 86–91 页)代表了另一条路线:把材料发现的验证端从计算推进到实验,用自动化实验室实际合成候选。它与 GNoME 形成互补——GNoME 扩大搜索空间,自动化实验室承担实证。二者的区别在失败模式上体现得最清楚:GNoME 的失败是不可合成的稳定结构,自动化实验室的失败是合成窗口外的正确结构。
在模型方法上,GNoME 的静态图神经网络属于 CGCNN 谱系的后续。Xie 与 Grossman 在 2018 年《物理评论快报》提出的晶体图卷积神经网络(DOI 10.1103/PhysRevLett.120.145301)是这一谱系的起点,论文把此前工作在同一任务上的 28 meV/atom 基准系于这条线上。GNoME 的贡献在于把这类结构模型推到十亿量级的候选池上,用主动学习和规模律把精度推到 11 meV/atom。
与基础势方向对照,GNoME 训练势的路线是从弛豫轨迹”顺带”得到大规模数据,这与 MACE 机器学习势 那样以通用化学空间为目标的预训练加微调。GNoME 的势覆盖范围在体相固体内,能带类型上对应通用原子间势路线,但它没有把势本身作为独立产品线迭代。后续社区把 GNoME 数据与更现代的势结合的成果已经出现,例如用 MACE 力场加 DFT 从 Energy-GNoME 数据库筛选新型阴极材料的工作。
与同期的 Materials Project 路线对比,两者的分工并非替代关系。Materials Project 提供以实验与计算为核心的高质量结构与性质数据库,历史上稳定晶体条目基数(约 48,000)主要来自 MP、OQMD 等持续工作的累积。GNoME 以这些数据库快照作为训练起点与凸包参照,再以模型与主动学习向外扩张。论文明确写道 GNoME 至少把 MP 与 OQMD 中 5,000 个”稳定”材料挤出凸包,即两者会互相取代对方的部分条目。
在生成式材料设计这条平行支线上,2025 年《自然》发表的《A generative model for inorganic materials design》(卷 639 第 624–632 页)代表另一类方法:用生成模型直接生成结构或组成,再交给第一性原理验证。GNoME 的候选生成方式是搜索式与替换式,结构多样性依赖 SAPS 与随机结构搜索,并未采用学习到的生成分布。这一差别决定了 GNoME 的强项是”在既有化学直觉覆盖的邻域内做系统扫描”,弱项是”跳出直觉之外的结构”。
六、基准与数据
可核查的数值指标集中在模型精度与筛选效率两条线上。
模型精度方面:初始结构模型在 2018 年 Materials Project 快照(约 69,000 个材料)上训练,达到 21 meV/atom 平均绝对误差,前作基准为 28 meV/atom;最终模型能量预测精度 11 meV/atom;论文指出随数据量呈幂律提升。
筛选效率方面:结构管线稳定预测命中率提升至 80% 以上;成分管线单独使用每 100 次试验命中 33%,前作为 1%。候选生成总规模超过 10⁹,被模型筛过后进入 DFT 评估的是其中的小部分。
结构多样性方面:用 XtalFinder 做原型分析,发现的稳定晶体对应 45,500 个以上的新原型,相对 Materials Project 的 8,000 个是 5.6 倍增长,作者认为这一增长不可能仅由完全替换或原型枚举产生。
泛函稳健性方面:r²SCAN 复算显示,发现的二元与三元晶体中 84% 保持负的相分离能。
实验验证方面:ICSD 汇总的实验结构中,736 个与 GNoME 独立获得的结构匹配,论文图 1c 展示其中六个实例。
应用侧的数量:论文报告在整体筛选流程下发现 528 个有前景的锂离子导体,相对原研究是 25 倍增长;对有望替代 LiCoO₂ 的 Li/Mn 过渡金属氧化物家族,GNoME 相对 Materials Project 多发现 15 个稳定候选(原研究为 9 个)。
势模型与下游应用方面:论文用弛豫轨迹训练的通用势做离子电导率的零样本估计,展示了从”发现稳定结构”到”预测输运性质”的完整链路。围绕这条链路,社区已构建多个下游数据库与筛选流程:Energy-GNoME 是面向能源应用的材料活数据库(发表于 Energy and AI,2025 年 12 月,DOI 10.1016/j.egyai.2025.100605,另有 arXiv:2411.10125);一篇基于 MACE 力场与 DFT 的阴极材料筛选工作发表于 Journal of Physics: Materials(2026 年 10 月,DOI 10.1088/2515-7639/aeae74,arXiv:2511.22504);一个覆盖 50,992 个 GNoME 材料的计算热电特征数据库在 ChemRxiv 以 v1(2026 年 8 月 25 日)与 v2(2026 年 9 月 8 日)两个版本发布;另有面向常压超导氢化物的检索(arXiv:2508.19781)与针对 MnFeCo₄Si₂ 磁性的实验验证(arXiv:2603.22748)说明发现条目已进入实验验证阶段。
需要留意的是,社区对这些条目的再分析也暴露了分歧,例如 2026 年 10 月发布的一项研究专门讨论 Materials Project 兼容的 PBE(+U) 与 r²SCAN 稳定性结论之间的化学分辨分歧(arXiv:2610.33101)。这类后续工作提示,把 GNoME 条目当作”已确证的稳定相”使用存在方法论风险。
七、物理 AI 场景中的用法
GNoME 在物理 AI 工作流中的定位可以分三层理解,每一层对应不同的使用方式。
第一层是作为数据源。它的凸包数据集是体相晶体稳定性任务上规模最大的公开集合之一,覆盖广泛化学空间,含 38.1 万个新增稳定条目与 52 万以上的扩展条目,并附带结构文件、能量、多种分解能口径、维度性与带隙等属性。对于做晶体性质预测、结构生成、缺陷或掺杂可行性初筛的工作,这套数据可以直接作为训练或评测基准。物理基础模型 讨论的基础模型路线在训练语料选择上,也可把此类晶体数据库作为材料侧的补充语料。
第二层是作为方法范式。“生成—学习筛选—第一性原理校验—回流训练”这一闭环,对任何计算成本高、候选空间巨大的问题都可复用。典型迁移场景包括:电池材料的电解质与电极界面候选筛选、合金成分与相稳定性设计、催化剂表面吸附构型搜索、复合材料的层状结构探测。论文本身示范的层状材料与固态电解质候选筛选,以及 528 个锂离子导体的发现,就是这一范式的直接产物。这类问题与 代理模型与降阶模型 中的代理模型与降阶建模思路相接——GNoME 的图网络本质上是一个作用于离散结构空间的代理模型,其价值在于把昂贵的评估前移。
第三层是作为势模型的训练数据来源。弛豫轨迹中蕴含的能量与力构成了训练通用原子间势的原料,论文用这套数据训练 NequIP 势并做离子电导率零样本预测,为”发现结构”到”模拟性质”打通了一条路径。对工程侧而言,这条路径的价值在于:一旦有目标体系的稳定结构与其弛豫轨迹,就可以用与之同源的方式得到该体系的势函数,从而开展长程分子动力学。相关的模拟方法论可参考 求解器与数值格式 与 MACE 机器学习势。
具体到 CAE 与仿真工程实践,可以设想的用法有几类。其一是虚拟筛选前置:在做昂贵的多物理场仿真前,先用凸包数据筛掉热力学上不成立的成分,压缩后续几何与网格准备的规模。其二是体系合理性校验:给定一个由其他流程产生的结构,先查其分解能是否落在合理区间,快速判断该结构是否值得投入计算资源。其三是作为势函数微调的起点:若目标体系落在 GNoME 数据覆盖的化学空间内,可先用数据集训练或微调势,再做目标态模拟。
需要提醒的是,落到工程决策上时,GNoME 条目提供的是热力学层面的初筛结论。若要进入选型或投标的正式技术方案,建议把 PBE 与 r²SCAN 两种泛函的结果并列对照,把实验已实现与未实现的两类条目分开标注,把凸包距离 1 meV/atom 以内与严格落在凸包上的条目分级呈现。这样呈现能把方法的边界讲清楚,也能让阅读者判断每条结论的证据强度。
八、不适用场景与失效模式
GNoME 的失效模式与其成功原因同样清晰,逐条列出比笼统提醒更有用。
第一,泛函依赖导致的稳定性误判。分解能判据在 PBE 层面计算,论文用 r²SCAN 复算发现 84% 的二元三元结构保持稳定,这一比例本身说明约六分之一的情形对泛函敏感。对过渡金属氧化物、含镧系或强关联体系,PBE(+U) 与 meta-GGA 泛函给出的稳定性排序可能系统性分歧,社区已有专门研究量化这一点。在这类体系中直接采用 GNoME 的凸包距离,是已知的高风险用法。
第二,快照凸包的时效性。数据对应的是特定时刻的 MP、OQMD、WBM 快照。后续新晶体被发现后,旧凸包上的部分条目会失去”最稳定”地位。反过来,GNoME 自身新增的 38.1 万条目也会被后来的计算修正。把 GNoME 条目的分解能当成绝对值引用,风险随时间推移累积。
第三,赝势与口径不一致。MP、OQMD 与 GNoME 使用的赝势不同,Ga、Ge、Li、Mg、Na 五种元素尤其明显,数据集为此给出显式校正值。跳过校正直接拼接能量,会让凸包出现虚假位置。
第四,可合成性缺口。热力学稳定与实验可合成之间隔着反应路径、动力学窗口与工艺条件。736 个已实验实现的条目相对于 38.1 万个新增条目,占比极小。剩余条目中的相当部分可能因动力学障碍或合成经济性而难以制备。把凸包条目直接当作候选材料清单交给合成团队,是把筛选结果误读为已验证结论。
第五,扩展条目的稳定性更弱。2024 年 8 月版本把发布范围放宽到距凸包 1 meV/atom 以内,条目数增至 52 万以上。这些条目按定义就未落在凸包上,其”稳定”表述是相对宽松阈值的产物,与严格凸包条目性质不同,两者不应混列在同一个候选池中。
第六,势模型的外推风险。GNoME 势训练于 PBE 层面的弛豫轨迹,覆盖有限的离子化合物体系,稳健性实验最高到 1000 K。用于表面、缺陷、熔体、极化体系或含重元素体系属于外推,性能未经评估;用于需要电荷自洽或长程静电的体系也存在结构性问题。这与 MACE 机器学习势 讨论的基础势在适用面上的差异类似。
第七,维度性预测是启发式。Dimensionality Cheon 字段来自 2017 年的方法,用于支撑层状材料筛选,属于辅助筛选信号,不能替代对具体结构的直接分析。
第八,许可约束下的用途边界。数据集为 CC BY-NC 4.0,商业用途受限;代码为 Apache-2.0。工程团队若计划在商业项目中引入这套数据,需要先确认授权路径。
第九,GNoME 不覆盖的物理。它不处理磁性、弹性、力学、热力学输运系数、相变动力学与界面现象。一个完整的材料项目评估流程中,GNoME 只能覆盖热力学稳定性这一段。
九、版本与口径核对
引用这篇工作前,有若干口径必须逐一核对,否则容易出现数字对不上的情况。
三个规模数字的准确表述。候选池:主动学习全程生成并筛选超过 10⁹ 个候选结构。结构命中:模型发现 220 万个结构位于当前凸包之下。新增稳定条目:更新后的凸包新增 381,000 个条目,稳定晶体总数 421,000 个,此前基线 48,000 个。原条目中”从约 4.8 万提升到约 42.1 万”的表述本身与论文一致,但”预测出 220 万个新晶体结构”的说法需要修正——220 万是凸包以下的结构总数,其中真正新增的稳定条目是 38.1 万,两者是不同的量级。
“数百种已合成”需要更正为 736。论文摘要与正文均写作 736,这是与 ICSD 汇总实验结构匹配的数量。早期传播中的”数百”是低估。
数据集规模的版本差异。论文发表时的数据规模是 381,000 个新增稳定条目。官方 README 说明,截至 2024 年 8 月数据集已扩展为发布所有距凸包 1 meV/atom 以内的材料,总量超过 520,000 个。引用数据集规模时需注明所依据的版本日期。
数据集的版本历史有明确记录。2023 年 11 月 29 日为初始发布;2023 年 12 月 1 日重新引入论文过滤器以剔除非物理能量,并补齐 Dimensionality Cheon 与 Is Train 两列;2024 年 8 月 21 日把阈值调整为距凸包 1 meV/atom 显著扩大发布晶体数、改用 “require_bound” 版本的 MP 校正、对 VASP 未更新晶格坐标的结构重新弛豫、提供 MP 与 OQMD 等重算条目的凸包条目、补充访问用 Colab、修正 by_id.zip 文件命名;2024 年 11 月 21 日统一形成能口径,提供 GNoME 论文所用的单质参考能与赝势校正。
凸包阈值的两个数字。数据集文档说明由于数值精度与计算误差,判断材料是否位于凸包上使用 5×10⁻⁵ eV 阈值;而发布范围的扩展基于 1 meV/atom 的放宽标准。两者分别对应”是否在凸包上”与”是否纳入发布”两个不同判断,混用会高估稳定条目数。
代码仓库的状态。google-deepmind/materials_discovery 于 2023 年 11 月 28 日创建,与论文发表同日,默认分支 main,Apache-2.0 许可,截至检索时约 1,251 星标与 197 个派生副本,仓库内无 release 与 tag。仓库 README 声明这是研究项目,不是 Google 官方产品。
论文的发表与许可口径。论文于 2023 年 5 月 8 日收稿、10 月 10 日接收、11 月 29 日正式刊出,作者单位为 Google DeepMind 与 Google Research,论文以 CC BY 4.0 开放获取。数据集另有一条 Materials Project 侧的发布通道,永久链接 DOI 为 10.17188/2009989。
势模型支线的定位。GNoME 的势由弛豫轨迹训练,架构为 NequIP,这与通用基础势路线属于不同产品形态。评估其”基础模型”价值时,应先确认比较对象是哪种数据来源与训练目标。
十、参考资料
- GNoME 官方代码仓库与数据集描述。https://github.com/google-deepmind/materials_discovery
- Merchant A., Batzner S., Schoenholz S.S., Aykol M., Cheon G., Cubuk E.D. Scaling deep learning for materials discovery. Nature, 624, 80-85, 2023. DOI:https://doi.org/10.1038/s41586-023-06735-9
- GNoME 数据集在 Materials Project 的发布页与永久链接。https://materialsproject.org/gnome ,DOI:https://doi.org/10.17188/2009989
- GNoME 数据的公开云存储桶目录。gs://gdm_materials_discovery
- Szymanski N.J. et al. An autonomous laboratory for the accelerated synthesis of inorganic materials. Nature, 624, 86-91, 2023. DOI:https://doi.org/10.1038/s41586-023-06734-w
- Xie Y., Grossman J.C. Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties. Physical Review Letters, 120, 145301, 2018. DOI:https://doi.org/10.1103/PhysRevLett.120.145301
- Batzner S. et al. E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials. Nature Communications, 13, 2453, 2022. DOI:https://doi.org/10.1038/s41467-022-29939-5
- Furness J.W., Kaplan A.D., Ning J., Perdew J.P., Sun J. Accurate and numerically efficient r2SCAN meta-generalized gradient approximation. The Journal of Physical Chemistry Letters, 11, 8208-8215, 2020. DOI:https://doi.org/10.1021/acs.jpclett.0c02405
- Jain A. et al. Commentary: The Materials Project: a materials genome approach to accelerating materials innovation. APL Materials, 1, 011002, 2013. DOI:https://doi.org/10.1063/1.4812323
- Kingsbury R. et al. Performance comparison of r2SCAN and SCAN metaGGA density functionals for solid materials via an automated, high-throughput computational workflow. Physical Review Materials, 6, 013801, 2022. DOI:https://doi.org/10.1103/PhysRevMaterials.6.013801
- Energy-GNoME: A living database of selected materials for energy applications. Energy and AI, 2025. DOI:https://doi.org/10.1016/j.egyai.2025.100605
- Screening novel cathode materials from the Energy-GNoME database using foundation machine learning force fields and DFT. Journal of Physics: Materials, 2026. DOI:https://doi.org/10.1088/2515-7639/aeae74
- A computed thermoelectric feature database for 50,992 GNoME materials. ChemRxiv, v1 2026-08-25, v2 2026-09-08. DOI:https://doi.org/10.26434/chemrxiv.15007873/v1
- Search for thermodynamically stable ambient-pressure superconducting hydrides in GNoME database. arXiv:2508.19781, 2025. DOI:https://doi.org/10.48550/arXiv.2508.19781
- Experimental investigation of magnetic properties of MnFeCo4Si2 discovered by GNoME. arXiv:2603.22748, 2026. DOI:https://doi.org/10.48550/arXiv.2603.22748
- Chemistry-resolved disagreement between Materials Project-compatible PBE(+U) and r2SCAN stability verdicts in the GNoME database. arXiv:2610.33101, 2026. DOI:https://doi.org/10.48550/arXiv.2610.33101
- Universal machine learning interatomic potentials are ready for phonons. npj Computational Materials, 11, 2025. DOI:https://doi.org/10.1038/s41524-025-01650-1
- Benchmarking universal machine learning interatomic potentials on elemental systems. npj Computational Materials, 12, 2026. DOI:https://doi.org/10.1038/s41524-026-02251-2
- Hicks D. et al. AFLOW-XtalFinder: a reliable choice to identify crystalline prototypes. npj Computational Materials, 7, 30, 2021. DOI:https://doi.org/10.1038/s41524-020-00483-4
- Chen Y. et al. A generative model for inorganic materials design. Nature, 639, 624-632, 2025. DOI:https://doi.org/10.1038/s41586-025-08628-5
- Artificial Intelligence Driving Materials Discovery? Perspective on the Article: Scaling Deep Learning for Materials Discovery. Chemistry of Materials, 2024. DOI:https://doi.org/10.1021/acs.chemmater.4c00643