# Odkrywanie materiałów EN: **Materials discovery** · id `materials` · aliases: materials informatics, AI for materials, materiałoznawstwo z AI, computational materials science Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [AI w nauce](https://aiatlasgraph.com/t/aiscience.md) › Odkrywanie materiałów ## Description - PL: Uczenie maszynowe dla materiałów nieorganicznych: przewidywanie stabilności i właściwości kryształów, uczone potencjały międzyatomowe i generowanie struktur. - EN: Machine learning for inorganic materials: predicting crystal stability and properties, learned interatomic potentials and structure generation. ## In one sentence - PL: Szukanie z pomocą modeli nowych kryształów i związków do baterii, ogniw słonecznych czy chipów. - EN: Using models to find new crystals and compounds for batteries, solar cells or chips. ## Problem it solves - PL: Znalezienie stabilnego materiału o konkretnych cechach wymagało lat prób i ogromnych obliczeń dla każdego kandydata. - EN: Finding a stable material with specific traits used to take years of trials and huge calculations for every candidate. ## What it does - PL: Model zastępuje kosztowne obliczenia fizyczne szybkim przybliżeniem, więc można sprawdzić miliony układów zamiast tysięcy. - EN: The model replaces costly physics calculations with a fast approximation, so millions of arrangements can be checked instead of thousands. ## Everyday example - PL: Zespół pracujący nad lepszą baterią do samochodu elektrycznego dostaje od modelu listę kandydatów do sprawdzenia w laboratorium. - EN: A team working on a better electric-car battery gets a list of candidate materials from a model to test in the lab. ## This concerns you if you… - PL: pracujesz z bateriami, katalizatorami lub półprzewodnikami - PL: chcesz przyspieszyć symulacje atomowe - EN: work with batteries, catalysts or semiconductors - EN: want to speed up atomistic simulations ## Keywords GNoME · MatterGen · Materials Project · MACE · CHGNet · Open Catalyst · Matbench · pymatgen ## How it works - PL: Kryształy koduje się jako grafy atomów z warunkami periodycznymi. GNN uczone na wynikach DFT przewidują energię i stabilność, a aktywne uczenie z weryfikacją DFT stopniowo poszerza zbiór; modele dyfuzyjne generują naraz typy atomów, współrzędne i sieć krystaliczną. - EN: Crystals are encoded as atom graphs with periodic boundary conditions. GNNs trained on DFT results predict energy and stability, and active learning with DFT verification gradually expands the dataset; diffusion models jointly generate atom types, coordinates and the lattice. ## Limits - PL: Stabilność w obliczeniach nie znaczy, że materiał da się zsyntetyzować. Dane DFT mają systematyczne błędy, a liczba „odkrytych” struktur nie mówi o ich użyteczności; synteza i charakterystyka pozostają wąskim gardłem. - EN: Computed stability does not mean a material can be synthesised. DFT data has systematic errors, and the number of 'discovered' structures says nothing about usefulness; synthesis and characterisation remain the bottleneck. ## Key terms - PL: **otoczka wypukła (convex hull)**: Granica energii, poniżej której związek uznaje się za stabilny. - PL: **komórka elementarna**: Najmniejszy powtarzający się fragment kryształu. - PL: **aktywne uczenie**: Model wskazuje, które struktury warto dokładnie przeliczyć w następnej rundzie. - EN: **convex hull**: The energy boundary below which a compound is considered stable. - EN: **unit cell**: The smallest repeating piece of a crystal. - EN: **active learning**: The model picks which structures are worth computing precisely in the next round. ## Know first - [Aktywne uczenie (active learning) (Active learning)](https://aiatlasgraph.com/t/activelearning.md) ## Subtopics (2 direct, 2 in total) - [Generowanie nowych kryształów (Generative crystal and materials design)](https://aiatlasgraph.com/t/crystalgen.md): Generative models of crystal structures (mainly diffusion-based) conditioned on chemical composition, symmetry and target properties. - [Uczone potencjały międzyatomowe (Machine-learned interatomic potentials)](https://aiatlasgraph.com/t/mlip.md): Regressing atomic energies and forces from local atomic environments, trained on DFT data; replaces classical force fields in molecular dynamics. ## Sources - [Scaling deep learning for materials discovery (GNoME)]() `gnome-2023` · by Amil Merchant, Simon Batzner, Samuel S. Schoenholz i in. (Google DeepMind) - [A generative model for inorganic materials design (MatterGen)]() `mattergen-2025` · by Microsoft Research AI for Science i współpracownicy --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/materials · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30