中國粉體網(wǎng)訊 材料科學(xué)無疑是一門重要科學(xué)，從石器時代到青銅時代、鐵器時代，再到如今的新材料時代，人類文明的各個演化階段都和材料緊密相關(guān)，可以說材料科學(xué)已經(jīng)成為影響人類文明發(fā)展的支柱學(xué)科。
從1956年人工智能（AI）被提出，迄今為止已經(jīng)過去了將近70年。進(jìn)入21世紀(jì)以來，AI已經(jīng)成為推動科技進(jìn)步和產(chǎn)業(yè)革新的關(guān)鍵力量。尤其是近些年，AI發(fā)展迅速，稱之為當(dāng)下最火爆的科學(xué)領(lǐng)域也不為過。
那么，將AI引入材料學(xué)研究便成為一個重要的交叉學(xué)科方向，并且已經(jīng)有人這么做了，他們憑借自家的AI技術(shù)，將材料科學(xué)領(lǐng)域攪動到風(fēng)起云涌。另一方面，AI的發(fā)展同樣也離不開材料學(xué)的支撐，新材料或許將是AI產(chǎn)業(yè)突破性發(fā)展需邁過的首要關(guān)卡。
AI顛覆材料學(xué)
AI跑贏了人類？
2023年11月底，Google旗下的DeepMind在Nature雜志發(fā)表了重磅論文，宣稱他們開發(fā)了用于材料科學(xué)研究的人工智能強(qiáng)化學(xué)習(xí)模型Graph Networks for Materials Exploration （GNoME），并通過該模型和高通量第一性原理計算，尋找到了38萬余個熱力學(xué)穩(wěn)定的晶體材料，這相當(dāng)于“為人類增加了800年的智力積累”，極大加快了發(fā)現(xiàn)新材料的研究速度。
Google旗下的DeepMind在Nature雜志發(fā)布了GNoME數(shù)據(jù)集及模型
更進(jìn)一步的是，全世界各地的科學(xué)家已經(jīng)在GNoME的輔助之下，著手將AI預(yù)測的新材料進(jìn)行了合成。如美國勞倫斯伯克利國家實驗室和DeepMind合作，在Nature上刊發(fā)了另一篇論文，展示了如何利用GNoME的預(yù)測并進(jìn)行自主材料合成。
他們在最少的人為干預(yù)下迅速發(fā)現(xiàn)新材料，可以幫助確定和快速跟蹤多個研究領(lǐng)域的材料，包括電池、儲能、太陽能電池、燃料電池等。難以置信的是，他們用17天自主合成了41種新材料�。�！
伯克利實驗室的一個自動實驗室，人工智能指導(dǎo)機(jī)器人制造新材料。（圖/Marilyn Sargent/Berkeley Lab）
過去，科學(xué)家們通過調(diào)整已知晶體或試驗新的元素組合來尋找新的晶體結(jié)構(gòu)，這是一個昂貴且耗時的試錯過程，通常需要幾個月的時間才能得到有限的結(jié)果。在過去的十年中，全世界各國的科學(xué)家通計算機(jī)模擬的方法發(fā)現(xiàn)了28000種新材料。加上人類利用傳統(tǒng)實驗的方法發(fā)現(xiàn)的大約20000種穩(wěn)定性材料，在使用AI輔助材料發(fā)現(xiàn)之前，人類發(fā)現(xiàn)的穩(wěn)定晶體數(shù)量總共達(dá)到了48000個。
與之相比，使用了AI材料發(fā)現(xiàn)工具GNoME，人類發(fā)現(xiàn)的穩(wěn)定晶體數(shù)量一下子被提升了接近9倍！
無獨(dú)有偶，2023年12月，距離Google的GNoME模型發(fā)表數(shù)天后，微軟發(fā)布了材料科學(xué)領(lǐng)域的人工智能生成模型MatterGen，可根據(jù)所需要的材料性質(zhì)按需預(yù)測新材料結(jié)構(gòu)。微軟總裁在社交媒體上為自家大模型站臺，評論道：“我們研發(fā)的MatterGen模型可以大幅提升新材料的按需研發(fā)效率”。
微軟總裁評論自家人工智能材料生成模型
2024年1月，微軟與美國能源部下屬的西北太平洋國家實驗室（PNNL）合作，利用人工智能和高性能計算，從3200萬種無機(jī)材料中篩選出了一種全固態(tài)電解質(zhì)材料，完成了從預(yù)測到實驗的閉環(huán)，該技術(shù)可助力下一代鋰離子電池材料研發(fā)。
AI在材料科學(xué)領(lǐng)域崛起的前提條件已經(jīng)鋪墊好
AI是否將變革未來材料科學(xué)的研究方式？現(xiàn)在來看，可能性很大。
數(shù)年前AI攪動生物和制藥領(lǐng)域，美國的Schrödinger公司、Atomwise公司等眾多企業(yè)的軟件和模型讓制藥行業(yè)看到了新機(jī)會，在原子尺度篩選目標(biāo)藥物分子成為了各大藥廠研發(fā)管線中的重要一環(huán)。
然而藥物研發(fā)周期長，研發(fā)成本高，審批環(huán)節(jié)嚴(yán)格，因此已有部分AI制藥公司轉(zhuǎn)戰(zhàn)材料科學(xué)。比如Schrödinger公司成立了材料科學(xué)部門。本質(zhì)上，不論是生物醫(yī)藥還是物質(zhì)科學(xué)，AI賦能背后的邏輯是一致的：通過人工智能方法，找到原子間相互作用的求解器和模擬器。
重點(diǎn)是，材料科學(xué)和制藥有著相同的底層邏輯，萬事具備，只欠“數(shù)據(jù)”。數(shù)據(jù)是人工智能起飛的助推劑，數(shù)據(jù)集的大小和質(zhì)量高低直接決定了人工智能的預(yù)測本領(lǐng)。由于材料基因工程和若干材料科學(xué)數(shù)據(jù)庫的發(fā)展，該領(lǐng)域已具備優(yōu)質(zhì)的數(shù)據(jù)資源，AI在材料科學(xué)領(lǐng)域崛起的前提條件已經(jīng)鋪墊好了。
AI浪潮下，新材料迎來發(fā)展機(jī)遇
AI產(chǎn)業(yè)鏈包括服務(wù)器、交換機(jī)、光模塊及相關(guān)芯片等，AI要想實現(xiàn)快速發(fā)展與質(zhì)的飛躍取決于每個環(huán)節(jié)的前進(jìn)步伐，而這些又與那些基礎(chǔ)的新材料息息相關(guān)。
芯片制造方面
在芯片制造層面上，經(jīng)過幾十年的發(fā)展，摩爾定律目前已經(jīng)逐漸走向物理瓶頸，算力的提升不僅僅是制程數(shù)字持續(xù)縮小，而是材料、設(shè)備、芯片架構(gòu)、制造工藝、供電技術(shù)、封裝技術(shù)的全面升級。
芯片產(chǎn)業(yè)鏈可以分為上游設(shè)備、材料、設(shè)計，中游晶圓制造，以及下游封裝測試等三個環(huán)節(jié)， 其中半導(dǎo)體材料是上游環(huán)節(jié)中非常重要的一環(huán)，在芯片的生產(chǎn)制造中起到關(guān)鍵性的作用。
芯片制造相關(guān)材料
半導(dǎo)體材料主要是芯片制造的上游基礎(chǔ)材料，按工藝環(huán)節(jié)可分為制造材料和封裝材料。前端制造材料主要包括硅片、 濺射靶材、 CMP拋光液和拋光墊、光刻膠、高純化學(xué)試劑、電子氣體、化合物半導(dǎo)體等；后端封裝材料主要包括封裝基板、引線框架、陶瓷封裝體、鍵合金屬線等。
算力基建方面
算力好比AI產(chǎn)業(yè)鏈的“原油”，算力的核心系統(tǒng)在于各類服務(wù)器。隨著算力需求指數(shù)增長，AI服務(wù)器零部件的迭代升級，對上游材料也提出更高的性能要求。
印刷電路板（PCB）是在電路中起固定各種元器件，提供各項元器件之間的連接電路，由絕緣隔熱、一定強(qiáng)度的材質(zhì)制作而成的板材，印制電路板是電子產(chǎn)品的關(guān)鍵電子互聯(lián)件， 根據(jù)Prismark 預(yù)測，2027年全球PCB產(chǎn)值將達(dá)到983.9億美元。
2022年覆銅板成本組成
PCB產(chǎn)業(yè)鏈的上游原材料主要為玻璃紗（或玻璃纖維布）、樹脂、銅箔等。其中，電子級樹脂很大程度上決定了覆銅板性能以及最終的應(yīng)用場景。電子樹脂指的是基于差異化性能需求專門設(shè)計的具有特殊的骨架結(jié)構(gòu)和官能團(tuán)的一系列新型熱固性樹脂。
電子級樹脂分為兩條路線：一條是以改性聚苯醚（PPO）為代表的熱固性樹脂體系，另一條以聚四氟乙烯（PTFE）為代表的熱塑性樹脂體系。目前最主流的路線是以“PPO為主體+交聯(lián)劑”為主流路線。近年來還出現(xiàn)了改性馬來酰亞胺、特種環(huán)氧樹脂等為基材的覆銅板品種。
數(shù)據(jù)傳輸方面
高能效數(shù)據(jù)傳輸能夠進(jìn)一步提升算力。單張GPU卡的計算能力存在極限，因此需要采用多GPU組合方式來提高計算性能，而GPU之間需要高效的通信，速度更快、可擴(kuò)展性更強(qiáng)的互連已成為當(dāng)前的迫切需求，光模塊有望充分受益。
磷化銦（InP）是一種重要的化合物半導(dǎo)體材料，與砷化鎵相比，磷化銦在電光轉(zhuǎn)換效率、散熱性能具有顯著優(yōu)勢并且發(fā)光波長更適合光通訊需求，是目前光模塊芯片的主流襯底材料，在AI數(shù)據(jù)傳輸?shù)确矫鎸⒋笥凶鳛椤?/p>
隨著 AI 算力飛速發(fā)展，市場對數(shù)據(jù)傳輸速度和數(shù)據(jù)儲存容量的需求不斷增加，為了保證光模塊穩(wěn) 定的進(jìn)行超大數(shù)據(jù)的傳輸處理，光模塊芯片底座基礎(chǔ)材料需要具備低膨脹系數(shù)和高導(dǎo)熱特性。400G以上光模塊芯片對散熱要求大幅提高，需要具有 低膨脹更高導(dǎo)熱特性的新材料來滿足要求。其中，鎢銅基板材料可匹配光模塊散熱提升需求，逐步打開成長空間。
熱管理方面
在行業(yè)人士看來，AI的競爭追根究底是算力競爭，而高算力芯片的一個主要瓶頸就是散熱能力，未來幾年AI行業(yè)中可能會出現(xiàn)算力被散熱 " 卡脖子 " 的情況，散熱的重要性不言喻。
從散熱性能角度來說，AI的大規(guī)模發(fā)展帶動算力需求提升，芯片和服務(wù)器功率逐步升級，超出風(fēng)冷散熱能力范疇，液冷或?qū)⒊蔀樽罴呀鉀Q方案。
不同液冷技術(shù)采用的主要冷卻液不同，冷板式液冷冷卻液主要為乙二醇溶液、丙二醇溶液、去離子水等，應(yīng)具備較好的材料兼容性等性能；浸沒式液冷冷卻液包括碳?xì)浼坝袡C(jī)硅化合物類、碳氟化合物類。其中，業(yè)內(nèi)一般將碳?xì)浠衔锛坝袡C(jī)硅類冷卻液稱為“油類冷卻液”，主要分天然礦物油、合成油、有機(jī)硅油3大類。而碳氟化合物類包括氫氟烴（HFC）、全氟碳化合物（PFC）、氫氟醚（HFE）等。
其中，氟化冷卻液整體傳熱能力相對更好，且無閃點(diǎn)不可燃、壽命長、兼容性好、低粘度易維護(hù)，整體性能相較碳?xì)浼坝袡C(jī)硅化合物類相對較好，可用于單相與相變浸沒式液冷，未來有望成為主流。
小結(jié)
目前來看，AI將協(xié)助人類進(jìn)行材料科學(xué)研究之事存在很大的可行性，而未來AI的前進(jìn)步伐卻又和材料學(xué)的發(fā)展水平密不可分。未來會不會這個樣子：隨著材料科學(xué)的不斷突破，AI技術(shù)會更加強(qiáng)大，屆時AI可協(xié)助人們更加科學(xué)地快速發(fā)現(xiàn)并合成很多新材料，而其中具備某些性能的新材料恰恰是實現(xiàn)AI的某種功能的關(guān)鍵材料。那么，這將是顛覆與反哺的不斷循環(huán)......
參考來源：
[1]AI再顛覆材料學(xué)！微軟MatterGen直接生成新材料，穩(wěn)定性超SOTA模型2.9倍. 新智元
[2]劉淼、孟勝.AI引發(fā)材料科學(xué)變革，有一場“硬仗”無法規(guī)避
[3]Nature重磅！AI獨(dú)自創(chuàng)造41種新材料，僅用17天！. SynBioX
[4]徐奕晨 夏斯亭等.AI新材料系列：氟化液迎來發(fā)展機(jī)遇
[5]AI賦能！化工新材料能否迎來產(chǎn)業(yè)煥新？.化工新材料
[6]人工智能（AI）芯片加速升級帶動之金屬新材料.新材料先生
（中國粉體網(wǎng)編輯整理/山川）
注：圖片非商業(yè)用途，存在侵權(quán)告知刪除
