发现一种新材料，和真正把它制造出来，是两件完全不同的事。
就像电脑可以告诉你，某道菜理论上营养很好、味道也不错，但它未必知道应该先放什么、后放什么，火候多大、煮多长时间。材料研发也存在类似问题。
过去几年，人工智能已经可以从海量数据中筛选新材料。它能够预测某种材料是否适合制造电池、芯片、传感器、催化剂或者医疗设备。
但是，计算机预测出一种好材料以后，研究人员还要面对一个非常现实的问题：
这种材料到底应该怎么做出来？
很多无机材料的制造方法，看起来并不复杂：把几种粉末混合起来，然后放进高温炉里加热。但真正做起来，过程往往非常复杂。
粉末加热以后，不会一下子变成目标材料。它们通常会先形成一些中间产物，有的中间产物会继续发生反应，有的则会留下来，变成杂质。
温度高一点还是低一点，加热快一点还是慢一点，保温时间长一点还是短一点，甚至粉末颗粒的大小不同，都可能影响最终结果。
因此，研究人员经常要进行大量试验：
换一种原料比例，烧一次；调整温度，再烧一次；延长时间，再烧一次；发现杂质太多，又重新调整。
一个新材料的制造工艺，有时需要几个月，甚至几年才能摸索出来。
美国劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory）的研究团队，联合多所高校和科研机构，针对这一问题开展了一项新的材料建模研究。
这项研究的背景是：近年来，人工智能已经能够帮助科学家快速发现和筛选新材料，但“在电脑中发现一种材料”，并不等于“在实验室里能够顺利制造这种材料”。
在真实的高温固相反应中，原料会经历扩散、反应、重组和相变等一系列复杂过程，中间还可能产生多种过渡材料和杂质。传统计算方法往往只能判断哪一种最终材料在理论上更加稳定，却很难准确预测材料究竟会按照什么顺序形成。
为了解决这个问题，研究团队把机器学习原子模拟、离子扩散计算、热力学数据和三维反应过程模拟结合起来，建立了一套新的材料建模方法。
它不仅判断哪种材料在理论上更加稳定，还会模拟不同离子在高温下移动得有多快、哪些中间产物会首先出现、它们又会怎样继续反应。
研究人员随后以钡、钛和氧组成的一类陶瓷材料为例，对这种方法进行了验证。
简单来说，这项研究想用人工智能和计算机模拟，减少材料制造过程中大量反复试验的工作。
它的目标不是只告诉研究人员“哪种材料最好”，而是进一步回答：
加热以后，什么物质会首先出现？
反应过程中会产生哪些中间产物？
哪些杂质可能残留下来？
温度应该怎样变化？
原料比例应该怎样调整？
加热多长时间，才更容易得到纯度较高的目标材料？
这相当于让计算机不仅会挑选菜品，还开始学习完整的烹饪过程。
为什么以前的计算方法不够准确？
传统材料计算比较擅长判断哪种物质最稳定。
简单来说，它会比较不同材料的能量高低。通常能量越低，材料就越稳定，也越有可能成为最终产物。
但真实反应并不只看谁最稳定。
还要看组成材料的原子和离子，能不能及时移动到正确的位置。
固体内部的原子移动非常慢。某种材料即使理论上最稳定，如果制造它所需要的离子移动得太慢，它也可能迟迟无法形成。
反过来，另一种材料虽然没有那么稳定，但因为形成速度更快，反而可能首先出现。
可以把它想象成爬山。
山谷代表稳定状态，越低的山谷代表材料越稳定。传统方法主要研究哪个山谷最低。
但现实中，一个人能不能到达最低的山谷，还要看中间有没有高山、悬崖或者很难通过的道路。
有时候，最低的山谷虽然最好，但路太难走，人反而会先到达另一个更近、更容易到达的山谷。
材料反应也是这样。
所以，判断材料最终会变成什么，既要看它“想不想变”，也要看它“来不来得及变”。
前者可以理解为热力学，后者可以理解为动力学。
这项研究的重要进步，就是把这两部分结合了起来。
人工智能在其中做了什么？
直接用最精确的物理方法模拟大量原子的运动，计算量非常大。
即使使用超级计算机，也很难完整模拟一种材料从混合、加热，到最终形成的全过程。
研究团队首先利用比较精确、但计算速度较慢的方法，生成一批原子运动数据，然后再用这些数据训练一个机器学习模型。
这个模型学习的是原子之间如何相互作用。
训练完成后，它就可以用更快的速度模拟：
哪些原子相互吸引；
哪些原子相互排斥；
高温下原子如何振动；
不同离子移动得有多快；
一种离子的移动会不会影响另一种离子。
这里使用的人工智能并不是聊天机器人，也不是大语言模型。
它更像一个非常专业的“原子运动模拟器”。它通过学习大量物理计算结果，用较低的计算成本，近似预测原子的运动。
接下来，研究人员把这些原子层面的数据，放进一个更大尺度的三维模拟系统中。
计算机会把混合粉末划分成大量小格子。每个格子代表一种原料颗粒、中间产物或者最终产物。
然后，系统一步一步模拟：
某两个颗粒接触后会不会发生反应？
反应速度有多快？
生成的新物质会不会继续与周围物质反应？
随着温度升高，各种材料的比例会怎样变化？
经过数百万次模拟，计算机就可以得到一条完整的反应路线。
它不再只是给出最终答案，而是能够展示整个过程，就像播放一段材料形成的“快进电影”。
研究人员用什么材料进行了验证？
研究团队选择了一类由钡、钛和氧组成的材料进行测试，其中包括常见的钛酸钡。
钛酸钡广泛应用于电子陶瓷、电容器、传感器和其他电子元件。
这个材料体系有一个特点：几种可能生成的化合物，在稳定性方面非常接近。
究竟生成哪一种，往往取决于不同离子的移动速度。
研究人员模拟了不同的原料比例、升温方式和保温时间，并把模拟结果与已有实验进行比较。
模型成功预测出：
哪种物质最先出现；
中间阶段会产生哪些物质；
哪些中间产物随后会消失；
哪些物质会成为杂质；
最终主要形成什么材料；
提高温度后，材料组成会怎样变化。
例如，在制造钛酸钡的过程中，低温阶段可能会先出现几种不同的钡钛氧化物。
随着温度继续升高，一些早期产物会被消耗，另一些中间产物又会出现。继续加热以后，目标材料的比例才逐渐提高，最终接近比较纯的钛酸钡。
这种变化顺序，与实验观察到的情况比较一致。
如果模型只考虑哪种材料最稳定，而不考虑离子的移动速度，那么它可能仍然可以猜中最终的主要材料，但很难正确预测中间产物和杂质。
这就像只知道一道菜最后应该是红烧肉，却不知道烹饪过程中什么时候会出水、什么时候会变色、什么时候容易烧焦。
而在工业生产中，中间过程往往非常重要。很多杂质，正是在某一个中间阶段产生的。
材料反应大致存在三个温度阶段
研究人员发现，固态材料反应大致可以分成三个阶段。
在温度比较低时，原子和离子都移动得很慢。
这个阶段，就像所有人都走得很慢，只有最容易发生的反应才能进行。很多反应即使理论上可行，也因为速度太慢而无法发生。
当温度升高到中间范围时，不同离子的移动速度开始出现明显差别。
有些离子移动得快，有些离子移动得慢。这个阶段，谁形成得更快，往往比谁最稳定更重要。
因此，一些不是最稳定的材料，也可能暂时大量出现。
当温度继续升高时，大多数离子都可以比较自由地移动。此时，移动速度不再是主要障碍，材料会逐渐向更加稳定的状态发展。
这说明，制造材料并不是温度越高越好。
有些特殊材料只会在某个温度范围和时间范围内出现。如果加热温度过高，或者保温时间太长，它可能又转化成另一种更稳定、但并不是人们需要的材料。
因此，找到合适的“温度窗口”，是材料制造中的关键问题。
这项技术有什么实际意义？
它最直接的价值，是帮助研究人员减少无效实验。
过去可能需要测试几十种原料比例和几十种加热方案。未来可以先用计算机模拟，筛选出最有希望的几个方案，再进入实验室验证。
这样可以节省原材料、电力、设备时间和人力。
第二个价值，是帮助研究人员理解杂质为什么会出现。
传统实验经常只能看到最后结果：目标材料纯度不高，里面混有一些杂质。
新模型则可能进一步告诉研究人员：
这种杂质是在什么温度下形成的；
是因为哪种离子移动太慢；
延长加热时间能不能消除；
继续升温会减少杂质，还是产生更多杂质。
有了这些信息，研究人员就可以更有针对性地调整工艺。
第三个价值，是帮助制造一些不太稳定、但性能很好的材料。
有些材料虽然不是最稳定的状态，却可能具有很好的导电、储能、发光或者催化性能。
过去，人们很难知道怎样才能在它转化为其他材料之前，把它制造并保留下来。
通过模拟反应速度和温度变化，研究人员可能找到一个非常短暂的工艺窗口，在合适的时刻停止加热或者快速降温，从而保留这种特殊材料。
第四个价值，是与自动化实验室结合。
未来可能出现这样的材料研发流程：
计算机先提出几种配方和加热方案；
机器人自动称量、混合和烧结；
检测设备分析生成了哪些材料；
实验结果再返回给人工智能；
人工智能根据结果调整下一轮方案。
如此循环，材料研发可能逐渐从人工反复试验，转向计算、机器人和实验设备共同完成。
“几分钟就能预测”应该怎样理解？
报道中提到，在输入原料比例和加热程序后，模型可以在几分钟内预测材料的反应过程。
但这并不意味着，从零开始研究一种全新的材料，只需要几分钟。
在模型能够快速预测之前，研究人员已经完成了大量准备工作，包括高精度物理计算、数据生成、机器学习模型训练和离子扩散模拟。
这些工作仍然需要超级计算机和较长时间。
因此，更准确地说，这种方法是：
先花较多计算资源，为某一类材料建立基础模型；模型建立以后，就可以快速测试大量不同的配方和加热方案。
它有点像天气预报。
建立气象模型、卫星系统和观测网络，需要长期投入。但系统建立以后，每天生成天气预报就可以比较快。
它现在能不能用于所有材料？
目前还不能。
这项研究主要在一种由钡、钛和氧组成的材料体系中进行了验证。
不同材料的反应方式差别很大。有的涉及金属元素变价，有的会释放气体，有的需要液体参与，有的通过薄膜沉积制造，还有的需要高压或者特殊气氛。
现有模型并不能直接处理所有这些情况。
另外，模拟中对粉末做了一些简化。
真实粉末的颗粒大小并不一致，颗粒可能团聚在一起，炉内温度也未必完全均匀。材料内部还可能存在孔隙、裂纹和局部成分差异。
这些因素都会影响真实的反应速度。
所以，这项技术目前更适合被看作一种帮助研究人员缩小范围的工具，而不是完全代替实验。
计算机可以告诉研究人员哪些方案更值得尝试，但最终结果仍然需要通过真实实验验证。
总的来看
这项工作的意义，并不只是人工智能又预测出了一种新材料。
它更重要的地方在于，人工智能开始从“寻找好材料”，走向“研究怎样把好材料真正制造出来”。
过去的材料人工智能更像一个选材顾问，它告诉人们哪些材料可能性能优秀。
这项新方法则更像一名工艺工程师。它开始研究原料怎样混合、温度怎样变化、反应按照什么顺序进行，以及怎样减少杂质。
从短期来看，它可以帮助材料研究人员减少试错次数，提高实验效率。
从长期来看，如果不同材料体系的数据不断积累，这种方法可能成为新材料研发的重要基础工具，把材料的理论发现、工艺设计和实际制造连接起来。
未来，人工智能可能不只是回答：
“什么材料性能最好？”
还会进一步回答：
“用什么原料、什么温度、什么时间和什么顺序，才能真正把它做出来？”