几十年来，寻找更好的电池材料大多依赖反复试验，密歇根大学副教授Venkat Viswanathan称，在电池材料发现的大部分历史中，直觉是新发明的源泉，如今使用的大多数材料在1975 - 1985年发现，后续主要做细微调整来提高性能。不过，人工智能及其支撑的计算能力进步正在改变这一局面。

借助美国能源部阿贡国家实验室的超级计算机，Venkat Viswanathan和同事正开发人工智能基础模型，加速从个人电子产品到医疗设备等领域的新型电池材料研发。基础模型是用海量数据集训练的大型AI系统，与通用大型语言模型不同，科学基础模型专为药物研发或神经科学等专业领域定制，能生成更精确、可靠的预测。

Viswanathan表示，其团队开发的基础模型对分子世界有广泛理解，处理预测属性等特定任务更高效，可预测电导率、熔点、沸点、可燃性等对电池设计有用的特性。该团队模型专注于识别电解质和电极这两种关键电池组件的材料，潜在分子化合物可能有10^60种，基于数十亿已知分子数据训练的基础模型，能帮助研究人员更有效探索化学空间，锁定高潜力候选分子。

2024年，Viswanathan团队(包括博士生Anoushka Bhutani和Alexius Waddle)使用阿贡国家实验室领导力计算中心(ALCF)的Polaris超级计算机，训练了迄今最大的化学基础模型之一，该模型专注设计电池电解质的关键小分子。为让模型理解分子结构，团队采用SMILES系统，还开发了SMIRK新工具，改进模型处理结构的方式，使其能更高精度和一致性地从数十亿分子中学习。

基于这一成功，研究人员目前正用ALCF的新Aurora百亿亿次系统开发分子晶体的第二个基础模型，作为电池电极组成部分。训练完成后，将通过与实验数据比较来验证模型预测结果，确保准确性。此前，Viswanathan团队为每个感兴趣属性开发更小、独立的AI模型，Polaris上训练的基础模型不仅统一了这些功能，性能还优于过去单一属性预测模型。团队正探索模型功能，计划未来将其提供给更广泛研究界，还计划与密歇根大学实验室科学家合作，合成并测试模型识别出的最有前景候选材料。

利用数十亿分子数据训练基础模型，计算需求超出大多数研究实验室内部能力。该团队通过美国能源部“创新计算对理论与实验的影响”(INCITE)项目获得ALCF超级计算机使用权，此前团队面临扩展问题，初创公司Deep Forest Sciences创始人兼首席执行官Bharath Ramsundar称，训练人工智能系统时，可观察的分子数量受限，一开始用一百万到一千万个分子训练模型，最终达到一亿个也不够，且在公共云上训练大型基础模型成本高昂，使用美国能源部超级计算资源可提高研究可及性。

ALCF的超级计算机配备数千个图形处理单元(GPU)和海量内存容量，满足人工智能驱动研究的复杂需求。Viswanathan称，用数百万和数十亿分子训练模型差异大，大学研究团队常用的小集群无法实现，需要ALCF这样的资源。

人的因素也至关重要，过去两年，Viswanathan团队参加ALCF年度INCITE黑客马拉松，与阿贡国家实验室计算专家合作，扩展和优化工作负载。该项目还受益于与其他领域科学家合作，如阿贡国家实验室计算科学家阿尔温德·拉马纳坦(Arvind Ramanathan)将开发基因组学和蛋白质设计人工智能模型的知识应用于电池研究。

为使基础模型更具互动性和可访问性，团队将其与ChatGPT等基于大型语言模型(LLM)的聊天机器人集成。学生、博士后和合作者可提出问题、测试想法、探索新化学配方，无需编写代码或运行复杂模拟。Viswanathan称，这就像每个研究生每天都能与顶尖电解质科学家交流，开启了全新探索层次，也改变了研究人员对发现过程的看法，这些模型能创造性思考、产生新分子，对人工智能驱动的材料研究而言是非凡时代。

阿贡国家实验室领导计算设施(ALCF)为科学和工程界提供超级计算能力，促进广泛学科领域基础发现和理解，由美国能源部科学办公室高级科学计算研究(ASCR)项目支持，是美国能源部两个致力于开放科学的领导计算设施之一。