免費科普

只往「更好」的方向走，會系統性漏掉好東西

而要判斷其中一種行不行，傳統的分子模擬要跑七個小時到兩天以上。

拿兩天乘以一兆，你得到一個沒有意義的數字。

所以材料科學的實務是：憑經驗和直覺挑幾百種來算。

普林斯頓的 Vertaix 實驗室做的第一件事，正是你會預期的那件事——他們用機器學習取代那個要跑兩天的模擬，把單一結構的判斷壓到幾秒。四到五個數量級。

但這篇不是要講那個。真正有意思的是他們接著發現的第二件事。

這是什麼

先講三個詞

金屬有機框架（MOF）——由金屬節點和有機連接分子搭出來的立體骨架材料。因為骨架中間全是空洞，它有極大的內部表面積。

自由能——描述一個結構穩不穩定的物理量。這是判斷「這個東西做得出來嗎」的關鍵指標。

多樣性度量——量化「一組候選物彼此有多不一樣」的指標。這篇的主角。

生活場景一：一座立體的鷹架

想像用積木蓋一個立體鷹架：金屬節點是接頭，決定桿子能往幾個方向接；有機分子是桿子，決定孔洞多大、內壁是什麼性質。

搭出來的東西，體積大部分是空的。而正因為全是洞，它的內部表面積極大。

表面積為什麼重要？ 因為所有的吸附、催化、分離都發生在表面上。表面積越大，單位重量能抓住的東西越多。所以這類材料被寄望於碳捕捉、電池化學、水淨化——凡是要在分子層級「抓住、吸收、過濾」某種東西的場合。

問題是接頭和桿子的組合太多了。 金屬有幾十種可選，有機連接分子數以萬計，接法還有很多種。乘起來就是上兆。

而且更麻煩的是：不是所有組合都做得出來。 有些在電腦裡看起來很漂亮的結構，在實驗室裡根本合成不了。這就是為什麼模型要預測的是自由能——它不是在預測「這個材料多好用」，是在預測「這個結構穩不穩定」，也就是做不做得出來。先過這一關，才輪得到談性能。

生活場景二：一兆間房的旅館

現在換一個比喻，因為真正的問題不在這裡。

想像你在一座有一兆間房的旅館裡找最好的房間。

傳統做法是一間一間去住——那是分子模擬，一間要七小時到兩天。機器學習做的事，是讓你看照片就能猜出評分，幾秒一間。

但就算你能一秒看十間，你還是得決定要看哪些。而標準的做法是：從一間開始，比較隔壁幾間，往評分較高的方向移動。

結果是你會被困在出發那一區的最高點。

別的樓層可能有更好的房間，但你永遠不會走到那裡——因為往那個方向的中途路徑「看起來比較差」。

往「更好」的方向走，中途必須先經過看起來更差的地方——所以標準做法永遠到不了另一座山。散開不是為了亂找，是為了不被出發點決定終點。

Vertaix 的做法是：把「多樣性」本身當成要最佳化的東西。

不是找「更好的」，是找「彼此更不一樣的」。他們用一個自己提出的多樣性度量當作目標函數，讓搜尋刻意散開到彼此差異很大的區域去。

結果：找到了標準搜尋方法錯過的、穩定而且節能的材料——而錯過的原因，正是那些方法無法有效探索橫跨數兆種可能的空間。

旅館	真實機制
一間一間去住（七小時到兩天）	傳統分子模擬
看照片就能猜評分（幾秒）	機器學習預測自由能
房間評分	自由能——結構穩不穩定
從一間開始往評分高的方向走	標準最佳化 → 困在局部最佳
刻意去彼此差很多的樓層	把多樣性當成最佳化目標

一句話總結

加速搜尋只是把同一條路走得更快；改變搜尋目標，才會走到不同的地方。

為什麼重要

回頭看前沿科技的其他題目，你會發現一件事：它們幾乎都是材料問題。

量子電腦這幾年最大的一次躍進，是換掉了晶片底下墊的那塊材料；電池回收的核心是正極的晶體結構；電池要更安全，關鍵在電解質的配方。如果材料搜尋的能力整體提升一個數量級，上面每一個都會跟著動。

而「把多樣性當成目標」這個想法，適用範圍遠超過材料：藥物發現的化合物庫、AI 的訓練資料，甚至任何一份「挑選清單」——只挑評分最高的，會得到一組高度相似的東西，而相似意味著它們會一起對、也會一起錯。

這在數學上是同一個取捨，跟材料搜尋沒有兩樣。

還有一個容易被略過的細節：做這件事的 Adji Bousso Dieng 在普林斯頓是雙聘——資訊工程系，以及化學與生物工程系。這個成果發表在《美國化學會誌》，不是機器學習的會議。一個只待在資工系的人不會知道「自由能」是那個該預測的量；一個只待在化學系的人不會想到把多樣性寫進目標函數。 這類跨界配置在前沿題目上反覆出現，不是巧合。

比喻到此為止

旅館的比喻在兩個地方失效：

一、旅館的房間彼此獨立，材料的組合空間有結構。 相似的結構有相似的性質——而這正是機器學習能 work 的原因。如果空間完全沒有結構，「看照片猜評分」是不可能的。

二、★ 住過就知道好不好，材料算出來還不算數。

第二點是這整個領域最大的落差。模型預測的是自由能，也就是「這個結構穩不穩定」——那是代理指標，不是你真正要的東西。你要的是「它吸附二氧化碳的能力有多強」，而且你要的是「有人能把它做出來」。

從「模型說可以」到「實驗室做出來並量到性能」，中間還有一整段路，而那段路目前仍然是慢的。

還沒定案的事

一、預測不等於做得出來。 模型說某個結構穩定，不代表有人能合成它。「可合成性」是一個獨立而且更難的問題，多數材料生成模型都還沒真正處理它。判斷這類研究有沒有兌現，唯一的標準是「模型建議的材料被真的做出來並驗證」——而這樣的案例目前仍然稀少。

二、這裡有一個內在張力。 機器學習的預測，只在訓練資料涵蓋的範圍內可信。而「找到標準方法錯過的東西」，恰恰是要走出訓練資料的範圍——越新穎的候選，模型對它的預測越不可信。這個張力沒有乾淨的解法，只能靠實驗驗證來收斂。

三、這類材料本身的商業化紀錄並不好。 它被研究了二十多年，實驗室性能常常很亮眼，但規模化生產、成本、長期穩定性一直是障礙，目前商業應用仍然有限。要把兩件事分開看：搜尋方法的進步（這篇的主題，可信度高）與這類材料的前景（另一個問題，歷史紀錄偏保守）。找得更快，不代表找到的東西用得上。

四、「多樣性當目標」還需要更多獨立複現。 這是一個有吸引力的想法，但目前主要來自同一個團隊。

延伸閱讀

這篇講的是搜尋策略，以及為什麼「更快」跟「更好」是兩件事。

如果你想知道這個方法為什麼沒有投資標的、為什麼我們仍然把它排進前十五（它是理解其他項目的元框架）、以及我們寫下了哪五條「到期就回來對帳」的判定條件——其中兩條是這個主題的真正門檻——那些在研究筆記〈兆級的材料組合裡，最好的那些藏在「不像」的地方〉裡。

來源

Journal of the American Chemical Society，Highly Accurate and Fast Prediction of MOF Free Energy via Machine Learning — 連結
Princeton Engineering（2026-01-06），New tool narrows the search for ideal material structures — 連結
phys.org（2026-01），New tool narrows the search for ideal metal organic frameworks — 連結
Adji Bousso Dieng，Princeton 資工系個人頁（Vertaix 實驗室） — 連結

本文為科學技術之教育性資訊，不構成任何投資建議。