这篇文章主要讲了一种名为GNoME的材料发现框架。该框架利用机器学习和高通量计算方法，通过预测材料的稳定性和性质，加速新材料的发现。文章介绍了GNoME的工作原理和方法，并详细描述了如何使用该框架进行材料发现和验证。文章还提供了一些实验证据来验证GNoME的预测结果的准确性。总的来说，这篇文章展示了GNoME作为一种高效的材料发现工具的潜力，并讨论了其在发现稳定晶体和材料性质预测方面的应用。

　　本文的核心创新点是使用大规模和多样化的第一原理计算训练GNN（图神经网络），从而实现对无机材料的高效发现。通过与先前工作相比，GNoME模型已经发现了220万个稳定晶体，并为材料科学家提供了以前不可能的建模能力。此外，GNoME模型还展现了在未知化学空间和新的下游任务中的发现能力，包括预测动力学性质。这些创新点为材料发现提供了强大的工具，并加速了材料发现的进程。

　　要点：图1展示了GNoME模型的性能随着规模扩大的改进情况。图1e展示了通过对晶体进行随机搜索产生的晶体替代数据进行训练的结构模型在处理超出分布范围的任务时的紧凑性。尽管这些例子通常是高能量的局部极小值，并且与通过结构管道生成的数据相比属于分布范围之外的数据，但我们观察到随着规模的扩大，性能明显改善。这些结果表明，最终的GNoME模型是向社区提供通用能量预测器的重要一步，能够通过深度学习处理多样化的材料结构。

　　要点：图2展示了以下内容：a. 结构中具有四个以上独特元素的材料数量的增长情况。b. 发现的四元材料的相分离能与Materials Project中的相分离能的比较情况。c. GNoME发现的晶体原型的数量，与Materials Project中的原型数量的比较情况。

　　要点：图3展示了以下内容：a. 在零样本学习的情况下，预训练的GNoME势能在从AIMD中采样的下游数据上的准确性表现。尽管GNoME势能仅在离子弛豫数据上进行了训练，而没有在分子动力学数据上进行训练，但在零样本学习的情况下，它在来自AIMD模拟的新分布的下游数据上表现出了显着的准确性。d. 零样本学习的GNoME势能与现有通用势能模型在批量系统上的零样本力误差的比较。