技术进步已经改进了计算机程序识别新材料的能力，但这个过程面临的主要阻碍，是学习算法如何适应与其所学相反的结果，因为新发现本质上是用新的、创造性的方式去理解数据的能力。
“深度思维”团队此次提出了一个计算模型，能够通过大规模主动学习，提高材料发现的效率。这个程序使用现有文献训练，生成多样的潜在化合物候选结构，然后通过一系列学习不断改进这些结构。GNoME发现了超过220万个稳定结构，将结构稳定预测的精确性提高到80%以上，在预测成分时，每100次试验的精确度提高到33%，相比之下，此前工作中该数字仅为1%。
在第二项研究中，美国加州大学伯克利分校团队开发了一种自动实验室（A-Lab）系统。这种A-Lab根据现存科学文献训练，随后结合主动学习，可对拟定化合物创造最多5个初始合成配方。随后它可以用机器臂执行实验，合成粉末形态的化合物。如果一个配方产量低于50%，A-Lab会调整配方继续实验，在成功达到目标或穷尽所有可能配方后结束。经过17天的连续实验，A-Lab进行了355次实验，产生了58个拟定化合物中的41个（71%）。相比之下，人类研究员需要花费数月去猜测和实验。
两项研究所展示的对AI的训练，结合了计算力的飞速发展和现有文献，其证明使用学习算法辅助发现和合成无机化合物有着极其广阔的前景，未来的自主实验室将能够以最少的人力、最快的速度去发掘新材料。
