GNoME
DeepMind开发的基于图神经网络的AI材料发现模型，可预测数十万种潜在稳定材料结构
核心事实
时间轴 (近 90 天)
AI for Science是近年来兴起的交叉领域，指利用人工智能方法加速科学发现，覆盖从假设生成、实验设计到数据分析的全流程。代表性案例包括DeepMind的AlphaFold（蛋白质结构预测）、GNoME（新材料发现）以及微软研究院在分子动力学和量子化学上的工作。
GNoME是Google DeepMind于2023年发表于Nature的项目，利用图神经网络预测无机晶体结构稳定性，一次性产出约220万种新晶体结构，其中约38万种被评估为稳定候选。
DeepMind发布的GNoME（Graph Networks for Materials Exploration）通过图神经网络预测晶体结构稳定性，一次性筛选出数百万种潜在新材料候选
GNoME预测的220万种晶体结构中约38万种被认为具备稳定性，可能成为下一代电池、半导体或超导体的候选材料
谷歌DeepMind的GNoME模型于2023年预测了220万种新型晶体结构
GNoME项目在材料科学领域发现了220万种新稳定晶体结构
GNoME（Graph Networks for Materials Exploration）使用图神经网络（GNN）来预测晶体结构的稳定性，核心指标是材料在凸包上的分解能
GNoME项目采用主动学习策略，其38万种预测稳定的新材料中已有数百种被独立实验室合成验证
全部知识事实 (10)
AlphaFold是DeepMind于2020年推出的蛋白质结构预测系统
90%已验证DeepMind的GNoME项目预测出约220万种潜在稳定晶体结构，比人类已知稳定材料高出约一个数量级
65%待验证AI for Science是近年来兴起的交叉领域，指利用人工智能方法加速科学发现，覆盖从假设生成、实验设计到数据分析的全流程。代表性案例包括DeepMind的AlphaFold（蛋白质结构预测）、GNoME（新材料发现）以及微软研究院在分子动力学和量子化学上的工作。
50%待验证GNoME是Google DeepMind于2023年发表于Nature的项目，利用图神经网络预测无机晶体结构稳定性，一次性产出约220万种新晶体结构，其中约38万种被评估为稳定候选。
50%待验证DeepMind发布的GNoME（Graph Networks for Materials Exploration）通过图神经网络预测晶体结构稳定性，一次性筛选出数百万种潜在新材料候选
50%待验证GNoME预测的220万种晶体结构中约38万种被认为具备稳定性，可能成为下一代电池、半导体或超导体的候选材料
50%待验证谷歌DeepMind的GNoME模型于2023年预测了220万种新型晶体结构
50%待验证GNoME项目在材料科学领域发现了220万种新稳定晶体结构
50%待验证GNoME项目采用主动学习策略，其38万种预测稳定的新材料中已有数百种被独立实验室合成验证
50%待验证GNoME（Graph Networks for Materials Exploration）使用图神经网络（GNN）来预测晶体结构的稳定性，核心指标是材料在凸包上的分解能
50%