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。