GNoME
DeepMind 的材料探索图网络（Graph Networks for Materials Exploration）——由 GNN + 主动学习 + DFT 构成的流程，把无机晶体的发现规模提升了一个数量级。
1. 核心产品 / 服务
GNoME（Graph Networks for Materials Exploration）是一个材料发现系统，使用图神经网络预测候选无机晶体的稳定性（形成能），并包裹在主动学习闭环中：GNN 做预测 → 有潜力的候选用**密度泛函理论（DFT）**验证 → 验证结果回流用于重新训练网络 [1][2]。DeepMind 报告称该流程发现了约 220 万种新晶体结构，其中约 38 万种被预测为最稳定，因而是合理的合成候选 [1]。
2. 目标用户与痛点
寻找新稳定化合物（电池、超导体、电子器件等）的材料科学家。传统发现方式依赖缓慢的试错或昂贵的 DFT 扫描；GNoME 前置了一个廉价的学习型筛选器，使 DFT 只用于有潜力的候选，在 MatBench Discovery 基准上将稳定性发现率从约 50% 提升到 80% [1]。
3. 竞争格局
| 系统 | 角色 | 备注 |
|---|---|---|
| GNoME | 发现（寻找稳定晶体） | GNN + 主动学习 + DFT |
| mattersim | 模拟（原子间势） | 微软，广谱 MLIP |
| MACE-MP-0 | 通用 MLIP | 等变消息传递 |
| Materials Project | 开放材料数据库 | 托管 / 整理结果 |
| OMat24（Meta） | 开放 MLIP + 数据集 | 后来的榜单领先者 |
GNoME 是发现引擎；mattersim/MACE 是模拟势函数——二者互补，而非直接对手。
4. 独立观察
GNoME 的持久贡献与其说是原始数量，不如说是闭合的验证回路：它之所以可行，是因为 DFT 提供了廉价且可信的第一性原理校验，为模型预测提供落地依据——这正是 ai-for-science 所指出的、支撑大规模 AI 发现的"先生成后验证"模式。其亮眼的数字也引来审视：一项独立分析质疑，所谓"稳定"的结构中有多少真正新颖或可合成；而配套的 A-Lab 自主合成说法也存在争议（见 aifs-chemistry）。
5. 财务 / 融资
非商业产品。属于 Google DeepMind 的研究成果；所发现的结构已通过 Materials Project 和一个公共数据库向社区发布。
6. 团队与关系
- 由 Google DeepMind 开发（Amil Merchant、Ekin Dogus Cubuk 等），2023 年发表于 Nature。
- 与 LBNL 的 A-Lab 自主合成工作同期发布。
- 相关：mattersim、alphafold3、ai-for-science、aifs-chemistry。
来源
- [1] "Millions of new materials discovered with deep learning"，DeepMind 博客（2026-06-14）
- [2] Merchant 等，"Scaling deep learning for materials discovery"，Nature s41586-023-06735-9（2026-06-14）