一、案例定位

用 chemical／materials AI 案例理解生成式模型如何擴大科學候選空間。

二、學習目標

• 計算候選中可進一步研究的比例。
• 區分「生成候選」與「已驗證發現」。

三、案例情境

Google DeepMind 的 Graph Networks for Materials Exploration（GNoME）辨識 2.2 million 個新 crystal material candidates，其中 380,000 個被認為穩定到足以進一步 human investigation。

四、開始資料

五、Excel／AI 分析方法

比例：Stable / Candidates。

六、計算結果

380,000 / 2,200,000 ≈ 17.27%。也就是約每 100 個候選中 17 個進入穩定候選層級。

七、結果分析與管理解讀

2.2 million 是 generated/discovered candidate scale，不等於 2.2 million 個都已在實驗室確認。AI 的價值在於縮小搜索空間與提高研究效率。

八、AI 提問詞

根據候選總數與穩定候選數，計算篩選率，並清楚區分 computational candidates 與 human-validated results。

九、思考／情境變動

**題目：**若穩定候選提升至 500,000，比例是多少？

參考解答：500,000/2,200,000≈22.73%。