技術進步已經改進了計算機程序識別新材料的能力，但這個過程面臨的主要阻礙，是學習算法如何適應與其所學相反的結果，因為新發現本質上是用新的、創造性的方式去理解數據的能力。

“深度思維”團隊此次提出了一個計算模型，能夠通過大規模主動學習，提高材料發現的效率。這個程序使用現有文獻訓練，生成多樣的潛在化合物候選結構，然后通過一系列學習不斷改進這些結構。GNoME發現了超過220萬個穩定結構，將結構穩定預測的精確性提高到80%以上，在預測成分時，每100次試驗的精確度提高到33%，相比之下，此前工作中該數字僅為1%。

在第二項研究中，美國加州大學伯克利分校團隊開發了一種自動實驗室（A-Lab）系統。這種A-Lab根據現存科學文獻訓練，隨后結合主動學習，可對擬定化合物創造最多5個初始合成配方。隨后它可以用機器臂執行實驗，合成粉末形態的化合物。如果一個配方產量低于50%，A-Lab會調整配方繼續實驗，在成功達到目標或窮盡所有可能配方后結束。經過17天的連續實驗，A-Lab進行了355次實驗，產生了58個擬定化合物中的41個（71%）。相比之下，人類研究員需要花費數月去猜測和實驗。

兩項研究所展示的對AI的訓練，結合了計算力的飛速發展和現有文獻，其證明使用學習算法輔助發現和合成無機化合物有著極其廣闊的前景，未來的自主實驗室將能夠以最少的人力、最快的速度去發掘新材料。