麻省理工学院材料科学与工程教授李菊表示，GNoME可以被描述为材料发现领域的阿尔法fold。DeepMind于2020年推出的人工智能系统AlphaFold，能够高精度地预测蛋白质的结构，并在生物研究和药物发现方面取得了进展。多亏了GNoME，已知稳定材料的数量增长了近10倍，达到42.1万种。
“虽然材料在几乎所有技术中都扮演着非常关键的角色，但我们人类只知道几万种稳定的材料，”谷歌DeepMind的材料发现主管Dogus Cubuk在新闻发布会上说。
为了发现新材料，科学家们把元素周期表上的元素结合起来。但是因为有太多的组合，盲目地进行这个过程是低效的。相反，研究人员在现有结构的基础上进行微调，以期发现具有潜力的新组合。然而，这个艰苦的过程仍然非常耗时。此外，由于它建立在现有结构的基础上，它限制了意外发现的可能性。
为了克服这些限制，DeepMind结合了两种不同的深度学习模型。第一种是通过对现有材料中的元素进行修改，产生超过10亿个结构。然而，第二种方法忽略了现有的结构，纯粹根据化学式来预测新材料的稳定性。这两种模型的结合提供了更广泛的可能性。
一旦候选结构生成，它们就会通过DeepMind的GNoME模型进行过滤。该模型预测了给定结构的分解能，这是材料稳定性的重要指标。“稳定”的材料不容易分解，这对工程目的很重要。GNoME选择最有希望的候选对象，并根据已知的理论框架对其进行进一步评估。
这个过程会重复多次，每次发现都会被纳入下一轮的训练中。
在第一轮中，GNoME预测不同材料稳定性的精度约为5%，但在整个迭代学习过程中，它的精度迅速提高。最终结果表明，GNoME在第一个模型中预测结构稳定性的准确率超过80%，在第二个模型中预测结构稳定性的准确率为33%。
