微软与太平洋西北国家实验室合作，利用AI与高性能计算（HPC）技术对3200种新型候选材料进行建模，以加速高效可充电电池材料的研发。该合作项目旨在支持微软未来的发展目标，并将250年的人类化学研究历史纳入数据模型，为未来的科学研究提供有力支持。
Azure量子元素
在这个项目中，微软研究人员利用了Azure量子元素（Quantum Elements）平台，该平台旨在加速科学发现。目前，该平台将人工智能（AI）与传统高性能计算（HPC）结合使用，但其目标是未来与微软的量子超级计算机兼容。此外，Azure量子元素还扩大了HPC集群规模，并利用AI进行高质量推理，以在锂离子电池研究中发挥重要作用。此外，微软的Copilot AI还负责简化数据处理、代码编写和模拟运行等具体操作。
Azure量子元素专注于解决大规模、高速、高准确性需求所带来的技术挑战：
- 规模：处理规模非常重要，将直接决定新的分子或材料发现的具体范围。为了将候选材料从以往的几千种扩大到数百万种，规模扩展能力至关重要。研究人员必须对足够庞大的系统进行建模，准确捕捉到材料内部缺陷或化学异质性等复杂因素。
- 速度：速度是指将特定化学模拟速度加快50万倍，借此模拟并分析材料的基本性质。更快的计算流程能够帮助研究人员高效工作。量子元素平台的目标是通过快速处理多种材料的大量模拟数据以加快发现速度，高效识别出有前途的候选材料。速度也将决定AI与HPC之间的交互效率。
- 准确性：准确性并非强调完全精确，这是因为化学系统中的某些量子力学效应只能取近似结果。目前的经典计算机还无法确切模拟这类场景，因此未来准确性的进一步提升，还有待量子计算与AI及HPC的全面结合。
从3200万种候选材料中找寻答案
微软Azure研究团队正着手探索可用于锂电池制造的理想固态电解质。该团队通过离子取代法取代了20万种已知晶体中的特定原子，并使用54种潜在电解质原子作为替代选项。在此过程中，研究人员共创造出超3200万种新材料，但如此庞大的备选库太过宽泛，需要经过进一步筛选和精简至较易管理的规模后才能移交给西北国家实验室。考虑到传统HPC物理模型不足以快速解决这样的大规模问题集，微软决定使用AI加速材料的稳定性分析。在此类项目中，AI将成为快速且强大的工具选项，可用于预测材料的电化学稳定性、带隙、电化学反应性、能量和力等材料特性。通过使用AI代替HPC模拟中的量子化学计算，微软成功将筛选速度提升至传统方法的1.5万倍。
通过这个过程，材料库经过初步筛选，剩下了50万种稳定候选项。接着，使用AI筛选流程对这50万种候选材料进行了进一步的电化学稳定性筛选，最终得出了800种有前途的候选项。尽管AI算法速度快且准确，但由于量子力学计算的限制，可能会存在一些误差。因此，为了进一步分析材料的物化特性，我们需要使用基于传统物理效应的HPC管线对剩下的800种候选材料进行二次处理。
在这个阶段，研究人员使用了AI筛选流程来对各种新型材料进行表征。该流程首先利用预测模型快速评估候选材料，然后进行更准确的物理模拟验证，最后通过分子动力学研究评估其基本动态特性和结构涨落。到达这个阶段时，候选材料已经被缩小为18种。
微软随后从中选出6种材料交给西北国家实验室的研究人员，他们最终选出一种单一材料，其锂含量减少了70%，比当前的锂离子电池更理想。
广阔天地，大有可为
AI和HPC在项目中都扮演着重要的角色。研究人员利用微软专为分子模拟和能量/力预测设计的管线来实现AI方面的研究。而HPC则负责支撑传统模拟环节，包括与AI模拟结果和量子化学计算相关的任务。
可以想见，新材料发现过程的复杂性和庞大的数据处理量。为了简化流程，基于大语言模型的AI辅助工具能够解决各种困难和障碍，同时也替代人类专家进行类型筛选和分步计算任务。科学家们可以快速获得配置工具和设计功能组合的帮助，从而大大加快科学研究中各种复杂流程的推进速度。
凭借微软Azure量子元素平台，3200万种新型候选结构的创建和800种稳定材料的挑选仅耗时一周。微软估计，如果没有AI技术的加持，纯人力需要20年才能完成这样的筛选过程。
更值得期待的是，随着时间推移，整个过程的执行效率将越来越高。Azure量子元素平台还为现有量子硬件预留了量子计算实验接口。这样当微软的量子超级计算机最终部署落地后，该平台将优先访问量子算力。随着规模化量子计算开始发挥实际作用，相信这项技术将为高度复杂化学系统中的力效应与能量建模提供突破性的精度保障。由此带来的现有经典计算机无法实现的宝贵见解，有望在材料科学、制药等领域交付更多前所未有的新成果。也正因为如此，微软量子元素项目的影响已经远远超出新型电池锂材料的研究范畴，必将给各行各业带来无穷无尽的探索空间。
