KI löst eine Revolution in der Materialwissenschaft aus, und es gibt einen harten Kampf, der nicht vermieden werden kann

Meiner Meinung nach hätte Nature diese Google-Arbeit überhaupt nicht veröffentlichen dürfen, da sie gegen das FAIR-Prinzip (Findable, Accessible, Interoperable, Reusable) verstößt. … Google hat sich entschieden, die zur Modellerstellung verwendeten Daten und sogar die Modellergebnisse selbst nicht weiterzugeben. Die einzigen freigegebenen Daten waren die stabilen Kristalle, die das Modell letztendlich identifizierte, was die Reproduktion des Modells erschwerte. … Ich halte es für wichtig, dass Unternehmen wie Google am wissenschaftlichen Prozess teilnehmen, aber sie müssen sich auch an dieselben strengen Standards halten. Unabhängig von den Standards gilt: Eine Arbeit, die nicht verifiziert werden kann, kann nicht als Wissenschaft betrachtet werden.“

——Shyue Ping Ong (UCSD-Professor, Gründer des Materials Project)

Geschrieben von Liu Miao und Meng Sheng (Institut für Physik, Chinesische Akademie der Wissenschaften/Songshan Lake Materials Laboratory)

Giganten konzentrieren sich auf „KI + Materialwissenschaft“

Ende November 2023 veröffentlichte Googles DeepMind einen wichtigen Artikel im Magazin Nature und gab bekannt, dass das Unternehmen ein künstliches Intelligenz-Reinigungslernmodell namens Graph Networks for Materials Exploration (GNoME) für die Materialwissenschaft entwickelt habe. Mithilfe dieses Modells und hochdurchsatzfähiger First-Principles-Berechnungen habe man über 380.000 thermodynamisch stabile kristalline Materialien gefunden, was „800 Jahren intellektueller Ansammlung für die Menschheit“ entspräche und die Forschungsgeschwindigkeit bei der Entdeckung neuer Materialien erheblich beschleunigen würde (Abbildung 1). [1]

Abbildung 1. Googles DeepMind hat den GNoME-Datensatz und das Modell im Nature-Magazin veröffentlicht.

Im Dezember 2023, wenige Tage nach der Veröffentlichung des GNoME-Modells von Google, veröffentlichte Microsoft MatterGen, ein auf künstlicher Intelligenz basierendes Generierungsmodell im Bereich der Materialwissenschaften, das auf Anfrage neue Materialstrukturen basierend auf den erforderlichen Materialeigenschaften vorhersagen kann. Der Präsident von Microsoft nutzte die sozialen Medien, um das große Modell seines Unternehmens zu unterstützen, und kommentierte: „Das von uns entwickelte MatterGen-Modell kann die Effizienz der On-Demand-Forschung und -Entwicklung neuer Materialien erheblich verbessern“ (Abbildung 2). [2]

Abbildung 2. Der Präsident von Microsoft kommentiert sein eigenes KI-Materialgenerierungsmodell

Im Januar 2024 arbeitete Microsoft mit dem Pacific Northwest National Laboratory (PNNL) des US-Energieministeriums zusammen, um mithilfe künstlicher Intelligenz und Hochleistungsrechnen aus 32 Millionen anorganischen Materialien ein vollständig festes Elektrolytmaterial herauszufiltern und so den geschlossenen Kreislauf von der Vorhersage zum Experiment zu schließen. Diese Technologie kann zur Entwicklung von Lithium-Ionen-Batteriematerialien der nächsten Generation beitragen (Abbildung 3). [3]

Abbildung 3. Wissenschaftler von Microsoft haben aus 32 Millionen anorganischen Materialien ausschließlich Festkörperelektrolytmaterialien herausgefiltert und experimentell überprüft.

Die Materialwissenschaft ist zweifellos eine wichtige Wissenschaft und eine tragende Säule der rasanten Entwicklung der modernen Industrie. Von der Steinzeit über die Bronzezeit bis hin zur Eisenzeit ist jede Evolutionsstufe der menschlichen Zivilisation eng mit Materialien verbunden. Keramik hat einen großen Beitrag zum Wohlstand der chinesischen Zivilisation geleistet. Glas hat zur Erfindung optischer Geräte geführt und den Grundstein für den Fortschritt der Zellbiologie und Astronomie gelegt. Man kann sagen, dass die Geschichte der Entwicklung der menschlichen Zivilisation eine Geschichte der Evolution der Materialwissenschaften ist.

In letzter Zeit hat die Technologie der künstlichen Intelligenz rasante Fortschritte gemacht. Die Einführung von Methoden der künstlichen Intelligenz in die wissenschaftliche Forschung ist zu einer wichtigen interdisziplinären Richtung geworden. Neben Google und Microsoft haben auch Meta und ByteDance kürzlich ähnliche Forschungs- und Entwicklungsrichtungen vorgegeben. Meta AI hat mit amerikanischen Universitäten zusammengearbeitet, um die branchenweit führenden Datensätze für katalytische Materialien (Open Catalyst Project) und den Datensatz zur Adsorption organischer Metallgerüste (OpenDAC) zu entwickeln. Eine Zeit lang nutzten Technologiegiganten ihre eigenen Technologien, um den Bereich der Materialwissenschaften aufzumischen. Die anorganische Materialwissenschaft ist ihr neues Fachgebiet geworden.

Detaillierte Interpretation des GNoME-Materialwissenschaftsdatensatzes

Wie verändert künstliche Intelligenz die Materialforschung und -entwicklung? Die Technologiegiganten haben denselben technischen Weg eingeschlagen: (1) Gewinnung materialwissenschaftlicher Daten durch theoretische Berechnungen; (2) Erzeugung riesiger Mengen solcher Daten durch Hochdurchsatzrechnen; (3) Einspeisen der Daten in Modelle der künstlichen Intelligenz; und (4) Verwendung der Modelle, um auf die Eigenschaften unbekannter Materialien zu schließen. Dies bedeutet auch, dass es sich um eine effektive technische Lösung mit großen Perspektiven handelt.

Wird künstliche Intelligenz die Entwicklung der Materialwissenschaften in Zukunft verändern? Die Antwort ist ja. Daten, Algorithmen und Rechenleistung werden ebenfalls zu zentralen Faktoren, die diesen Wandel vorantreiben. Angesichts der überwältigenden Nachrichtenlage und Publizität wollen wir den von Google veröffentlichten Datensatz als Ausgangspunkt nehmen, um dessen detaillierten Inhalt und Logik zu untersuchen.

1. Nach der Biomedizinbranche ist die Materialwissenschaft der nächste große Trend, in den künstliche Intelligenz vordringen wird. Vor einigen Jahren hat die KI die biologische und pharmazeutische Industrie aufgemischt. Die Software und Modelle vieler Unternehmen wie Schrödinger und Atomwise in den USA eröffneten der Pharmaindustrie neue Möglichkeiten. Das Screening von Zielmolekülen für Arzneimittel auf atomarer Ebene ist zu einem wichtigen Teil der Forschungs- und Entwicklungspipelines großer Pharmaunternehmen geworden.

Da der Zyklus der Arzneimittelentwicklung jedoch lang, die Forschungs- und Entwicklungskosten hoch und das Genehmigungsverfahren streng ist, haben sich einige KI-Pharmaunternehmen der Materialwissenschaft zugewandt. Beispielsweise gründete Schrödinger eine Abteilung für Materialwissenschaften. Im Wesentlichen ist die Logik hinter der Stärkung der KI, egal ob in der Biomedizin oder in den Materialwissenschaften, dieselbe: Mithilfe von Methoden der künstlichen Intelligenz sollen Löser und Simulatoren für die Wechselwirkung zwischen Atomen gefunden werden.

Den Technologiegiganten ist bewusst, dass Materialwissenschaft und Pharmazie derselben grundlegenden Logik folgen. Alles ist bereit, bis auf die Daten. Daten sind der Treibstoff für den Durchbruch der künstlichen Intelligenz. Die Größe und Qualität des Datensatzes bestimmen direkt die Vorhersagefähigkeit der künstlichen Intelligenz. Dank der Entwicklung der Material-Gentechnik und mehrerer materialwissenschaftlicher Datenbanken verfügt das Fachgebiet seit Kurzem über hochwertige Datenressourcen und hat damit die Voraussetzungen für den Aufstieg der künstlichen Intelligenz geschaffen.

2. Datensätze sind die Grundlage für den Aufbau künstlicher Intelligenz. Der Bereich der künstlichen Intelligenz ist in hohem Maße von Daten abhängig, und die Abdeckung und Qualität des Datensatzes bestimmen direkt das Niveau des künstlichen Intelligenzmodells. Die Abdeckung des Datensatzes bestimmt die Generalisierungsfähigkeit des Modells, und die Konsistenz und Vergleichbarkeit des Datensatzes bestimmen die Vorhersagegenauigkeit des Modells. Von den drei Hauptelementen der künstlichen Intelligenz – Daten, Algorithmen und Rechenleistung – sind Daten das Bindeglied mit den meisten technischen Barrieren. Beispielsweise veröffentlichen große Sprachmodelle wie GPT 3.5 und Llama 2 ihre Datensätze nicht, selbst wenn sie den Quellcode des Modells als Open Source freigeben. Ohne exzellente Datensätze als Unterstützung ist es für Wettbewerber in der Branche schwierig, exzellente KI-Modelle zu trainieren.

Algorithmen haben ihre Rolle als technische Barrieren allmählich verloren und die Möglichkeit, sich bei der Führung der Branche auf Algorithmen zu verlassen, ist sehr gering.

3. Theoretische Berechnungen haben einen großen Beitrag zum Aufbau einer materialwissenschaftlichen Datenbank geleistet. Nach Jahrzehnten der Entwicklung verfügt die Dichtefunktionaltheorie über ausgereifte technische Reserven und kann in kurzer Zeit hochstandardisierte Datensätze produzieren. Die Dichtefunktionaltheorie kann die Eigenschaften von Verbindungen effizient lösen, indem sie die Bewegungsgleichungen für Elektronen im System löst und so eine Verbindung zwischen der räumlichen Verteilung der Atome in der Verbindung und den physikalischen Eigenschaften der Verbindung herstellt. Durch die gleichzeitige Ausführung von Hunderten oder Tausenden von Computerjobs können riesige Datensätze erstellt werden. Die derzeit am häufigsten verwendeten Datensätze im Bereich der Materialwissenschaften, wie etwa das Materials Project[4] und OQMD[5], basieren alle auf Hochdurchsatz-Dichtefunktionaltheorie-Berechnungen. Der GNoME-Datensatz bedeutet, dass Google die Datenproduktionsfunktionen für die Materialwissenschaft beherrscht.

Nach dem aktuellen Stand der materialwissenschaftlichen Forschung und Entwicklung wird es unmöglich sein, innerhalb weniger Jahre allein durch die experimentelle Datensammlung eine vergleichbare Datenabdeckung und -konsistenz zu erreichen.

4. Das Dokument von Google besteht aus zwei Teilen: GNoME-Modellcode und Datensatz. Die Datensatzabdeckung und Genauigkeit sind sehr hoch. Der GNoME-Datensatz stammt aus dem Materials Project und verwendet dieselben Rechenstandards und -prozesse wie das Materials Project. Daher kann es in Verbindung mit dem Materials Project[4] verwendet werden. Google gab an, mithilfe von Hochdurchsatzrechnern und Dichtefunktionaltheorie Rechendaten zu 2,2 Millionen anorganischen Materialien erstellt zu haben. Während der Berechnung sagte es durch aktives Lernen kontinuierlich neue thermodynamisch stabile Materialien voraus und fand schließlich 380.000 stabile anorganische Verbindungen. Dies stellt zweifellos einen enormen Fortschritt für die Materialwissenschaft dar.

5. Obwohl der von Google verwaltete GNoME-Datensatz groß ist und 2,2 Millionen anorganische Materialien umfasst, enthalten die mit dem Papier veröffentlichten Informationen nur einen kleinen Teil der Daten, nämlich die Struktur, thermodynamische Stabilität und den Modellcode von 380.000 anorganischen Verbindungen. Google hat die Modellparameter noch nicht offengelegt, sodass Dritte nicht sofort Schlussfolgerungen zum Modell ziehen können. Google hat nicht genügend Daten veröffentlicht, was es für die Außenwelt schwierig macht, mit diesem Datensatz ein effektives Modelltraining durchzuführen. Daher ist Google der einzige Anbieter, der das GNoME-Modell besitzt.

Beim Aufbau zukünftiger großer KI-Modelle sind Daten der Burggraben. Google stellt keine vollständigen Daten als Open Source zur Verfügung, was seine unübertroffene Führungsposition in der Branche sichert. Obwohl Google die Strukturen und thermodynamischen Stabilitäten von 380.000 chemischen Verbindungen offengelegt hat, wurden viele wichtige Informationen, wie beispielsweise die Bildungsenergie der Verbindungen, nicht preisgegeben. Mit nur 380.000 öffentlich verfügbaren Materialdaten sind Wettbewerber nicht in der Lage, ein effektives Modell zu trainieren.

Die Phase der Datengenerierung ist die zeit- und arbeitsintensivste Phase, aber derzeit gibt es in der Branche nur sehr wenige Institutionen, Organisationen und Forscher, die sich dieser Herausforderung stellen und auf verschiedene Weise standardisierte Daten produzieren. Die meisten Menschen freuen sich auf die „Fahrt“, und alle freuen sich auf den Datenaustausch, versuchen aber, das „Problem der Datenproduktion“ zu vermeiden.

Um dieses Problem zu lösen, besteht eine in der Branche beliebte Idee darin, Daten zu konvergieren und verschiedene isolierte Daten zu einem „einheitlichen“ Datensatz zusammenzufügen. Es besteht kein Zweifel, dass dies eine Möglichkeit ist, die Daten anderer Personen zu integrieren. Diese Methode wurde bereits vor mehreren Jahren befürwortet, bisher gab es jedoch keine Erfolgsfälle. Beispielsweise verfügen einige Projekte des Ministeriums für Wissenschaft und Technologie über ähnliche Mechanismen zur Datenübermittlung.

Es besteht kein Zweifel, dass die Technologiegiganten nüchtern sind und wissen, dass sie sich der Herausforderung stellen und ihre eigenen Daten produzieren müssen. Es ist auch unwahrscheinlich, dass sie bereit sind, diese wertvollen Datensätze vollständig und großzügig offenzulegen. Dies ist sinnvoll, da diese Daten einen enormen kommerziellen Wert haben können. Anders ausgedrückt: Die langfristigen gesellschaftlichen Vorteile von Open Source und Datenübermittlung sind möglicherweise nicht immer positiv.

6. Der Phasenraum anorganischer Materialien ist riesig und der Mensch hat erst einen kleinen Teil davon entdeckt. Die Autoren dieses Artikels analysierten detailliert die Strukturinformationen von 380.000 Verbindungen in dem Papier und fanden heraus, dass die Elementkombinationen von 30.345 Materialien (zum Beispiel: „Zr-Ti-Se“, „Ni-Te“) im Materials Project zu finden sind, was 7,8 % entspricht. Dies bedeutet, dass Google im dem Menschen bekannten chemischen Raum 30.345 thermodynamisch stabile Materialien gefunden hat. Die meisten (92,2 %) der stabilen Materialien stammen aus Elementkombinationen, mit denen der Mensch noch nicht in Berührung gekommen ist (Beispiele: „Rh-Ac“, „Zn-Cs“). Dies bedeutet, dass es im unbekannten chemischen Raum noch viele unentdeckte stabile Verbindungen gibt und die dem Menschen bekannten Materialien möglicherweise nur die Spitze des Eisbergs sind. Allerdings enthalten die meisten Verbindungen in chemischen Bereichen, die noch nicht vom Menschen erforscht wurden, Elemente mit geringer Häufigkeit, und auch der Anwendungswert solcher Materialien ist fraglich. (Abbildung 4)

Abbildung 4. Detaillierte Analyse des GNoME-Datensatzes von Google. Der GNoME-Datensatz behauptet, 384.781 thermodynamisch stabile anorganische Materialien gefunden zu haben. Es ist ersichtlich, dass unter diesen Verbindungen ternäre, quaternäre und pentazyklische Verbindungen die wichtigsten sind. Die meisten dieser Verbindungen bestehen aus Kombinationen von Elementen, mit denen der Mensch selten in Berührung kommt, und bei den meisten handelt es sich um Metallverbindungen.

7. Das GNoME-Modell erfasst einen größeren Bereich des chemischen Raums. Dieser Datensatz deckt einen größeren Bereich des Struktur- und chemischen Raums ab und ist daher ein „breitbandigerer“ Datensatz, der für die entwickelten KI-Modelle sehr nützlich ist. Die Essenz des KI-Modellierungsprozesses ist eine Art „Mittelwertbildung“. In der Branche ist KI besser darin, Daten zu interpolieren als zu extrapolieren.

Wenn Menschen die Qualität eines KI-Modells messen, ist die Vorhersagegenauigkeit der übliche Indikator, sie sprechen jedoch oft nicht über die Generalisierungsfähigkeit des Modells. Natürlich ist die Qualität der Generalisierungsfähigkeit schwer zu quantifizieren. Zur Verbesserung der Generalisierungsfähigkeiten sind größere und umfassender abgetastete Datensätze erforderlich.

Verglichen mit KI-Modellen, die üblicherweise auf Basis von Daten des Materials Project in der Industrie entwickelt werden (wie etwa CHGNET[6] und m3gnet[7]), verfügt das GNoME-Modell über eine „höherstufige“ Datensatzgrundlage und wird zwangsläufig über einzigartige Generalisierungsfähigkeiten verfügen.

8. Der GNoME-Datensatz ist „stark verzerrt“, wobei Metallmaterialien mehr als 60 % ausmachen. Es ist ein normales Ergebnis, dass Legierungsmaterialien viele unbekannte stabile Strukturen aufweisen. Dies ist ein weit verbreitetes Phänomen, da sich Metallatome leicht zu metallischen Bindungen verbinden und dadurch die Energie des Systems verringern. Dann bilden diese Metallelemente in realen Materialien wahrscheinlich eher Legierungsphasen mit zufällig verteilten Atomen als intermetallische Verbindungen (intermetallisch) im GNoME-Datensatz, sodass eine Synthese dieser Elemente unwahrscheinlich ist. (Abbildung 4 und Abbildung 5)

Wenn man in Wirklichkeit ein paar Metallelemente nach dem Zufallsprinzip mischt, entsteht höchstwahrscheinlich eine thermodynamisch stabile Legierung. Aber zählt das schon als Entdeckung eines neuen Materials? Wenn man nachzählt, entdecken diejenigen, die sich mit der Legierungsforschung beschäftigen, jeden Tag Tausende neuer Materialien.

Für das Training künstlicher Intelligenzmodelle sind diese Daten jedoch immer noch von großer Bedeutung.

(a) GNoME

(b) Werkstoffprojekt

Abbildung 5. Statistik der Elementvorkommenswahrscheinlichkeiten im GNoME-Datensatz und im Materials Project. GNoME-Daten erforschen hauptsächlich Elemente mit geringer Häufigkeit, einen chemischen Bereich, den der Mensch bisher kaum erforscht hat. Bei den vom Materials Project untersuchten Materialsystemen handelt es sich um relativ gewöhnliche chemische Räume.

9. Die Elementvorkommensstatistiken im GNoME-Datensatz unterscheiden sich stark von denen im Materials Project. Die Anzahl ionischer Verbindungen im GNoME-Datensatz ist gering, während Metallelemente, insbesondere Elemente mit geringer Häufigkeit, wahrscheinlicher erscheinen. Beispielsweise kommen Ho, Tb, Rh, Er usw. häufig vor, während gängige Elemente wie O, P und S seltener vorkommen. Dies ist ein weiterer Beweis dafür, dass der Stichprobenraum von GNoME verzerrt ist. (Abbildung 5)

Verhältnis ~2,8 %. Ein niedriger Prozentsatz bedeutet, dass es sich bei der Verbindung höchstwahrscheinlich um eine verfälschte Verbindung und nicht um eine neue stabile Verbindung handelt. Es ist ersichtlich, dass es im GNoME-Datensatz viele vermutete „dotierte Verbindungen“ und keine reinen Phasen gibt, was insbesondere bei binären Verbindungen auffällt.

10. Im GNoME-Datensatz ist neben dem großen Anteil multimetallischer Verbindungen auch der Anteil dotierter Strukturen groß, und solche Strukturen sind zudem relativ schwierig genau zu synthetisieren. In Abbildung 6 sehen Sie den Anteil des kleinsten Elements in der Verbindung. Man sieht, dass einige thermodynamische

Der Anteil einbasiger und quaternärer Verbindungen hat abgenommen. (Abbildung 6)

11. Alle fortgeschrittenen Algorithmen in Bild- und Sprachmodellen werden ihren Platz in der Materialwissenschaft finden. Bestärkendes Lernen, Aufmerksamkeitsmechanismen, Diffusionsmodelle, vorab trainierte Modelle, multimodale Technologien, Generierungsalgorithmen, Modellausrichtungsmechanismen, Vektordatenbanken usw. werden früher oder später kontinuierlich in die Materialwissenschaft eingeführt und entsprechende Werkzeuge hervorbringen.

Die Zukunft ist lang, aber voller Hoffnung

Der GNoME-Datensatz von Google ist ein Funke im Zeitalter der Transformation von „KI + Materialwissenschaft“. Obwohl viele spezifische Details des Datensatzes noch nicht veröffentlicht wurden, zeigt er zweifellos, dass es im chemischen Bereich, der bisher noch nicht von Menschen erforscht wurde, noch viele unbekannte neue Materialien gibt, die darauf warten, von Menschen erforscht zu werden. Die Veröffentlichung des Datensatzes eröffnet viele Möglichkeiten in diesem Bereich. Forscher auf der ganzen Welt werden die Möglichkeit haben, diese Materialien weiter zu erforschen und diese Daten möglicherweise anzuwenden, um mehr Anwendungen für künstliche Intelligenz zu entwickeln und weitere neue Materialien zu entdecken. Es ist mehr als nur ein Datensatz; Es ist ein Fahrplan für unzählige Innovationen, die die Welt neu gestalten könnten.

Im Zuge der „KI+Materialwissenschaft“ sind Daten von größter Bedeutung. Die Erstellung von Datensätzen, insbesondere solcher, die die Branche unterstützen, mag zwar eine undankbare Aufgabe sein, doch es ist ein unvermeidlicher harter Kampf.

Hinweis: Eine gekürzte englische Version dieses Artikels wurde am 28. Februar 2024 in Materials Futures veröffentlicht.

DOI: 10.1088/2752-5724/ad2e0c

URL: https://iopscience.iop.org/article/10.1088/2752-5724/ad2e0c

Verweise

[1] A. Merchant, S. Batzner, SS Schoenholz, M. Aykol, G. Cheon und ED Cubuk, „Scaling deep learning for materials discovery“, Nature, Bd. 624, Nr. 7990, S. 80–85, Dez. 2023, doi: 10.1038/s41586-023-06735-9.

[2] C. Zeni et al., „MatterGen: ein generatives Modell für das Design anorganischer Materialien“, Dez. 2023, doi: 10.48550/arXiv.2312.03687.

[3] C. Chen et al., „Beschleunigung der computergestützten Materialforschung mit künstlicher Intelligenz und Cloud-Hochleistungscomputing: vom groß angelegten Screening bis zur experimentellen Validierung“, Jan. 2024, [Online]. Verfügbar: http://arxiv.org/abs/2401.04070

[4] A. Jain et al., „Kommentar: Das Materialprojekt: Ein Materialgenomansatz zur Beschleunigung der Materialinnovation“, APL Materials, Bd. 1, nein. 1. American Institute of Physics Inc., 2013. doi: 10.1063/1.4812323.

[5] JE Saal, S. Kirklin, M. Aykol, B. Meredig und C. Wolverton, „Materialdesign und -entdeckung mit Hochdurchsatz-Dichtefunktionaltheorie: Die offene Quantenmaterialdatenbank (OQMD)“, JOM, Bd. 65, Nr. 11, S. 1501–1509, Nov. 2013, doi: 10.1007/s11837-013-0755-4.

[6] B. Deng et al., „CHGNet als vortrainiertes universelles neuronales Netzwerkpotenzial für ladungsinformierte atomistische Modellierung“, Nat Mach Intell, Bd. 5, nein. 9, S. 1031–1041, September 2023, doi: 10.1038/s42256-023-00716-3.

[7] C. Chen und SP Ong, „Ein universeller Graph Deep Learning des interatomaren Potentials für das Periodensystem“, Nat Comput Sci, Bd. 2, nein. 11, S. 718–728, Nov. 2022, doi: 10.1038/s43588-022-00349-3.

Dieser Artikel wird vom Science Popularization China Starry Sky Project unterstützt

Produziert von: Chinesische Vereinigung für Wissenschaft und Technologie, Abteilung für Wissenschaftspopularisierung

Hersteller: China Science and Technology Press Co., Ltd., Beijing Zhongke Xinghe Culture Media Co., Ltd.

Besondere Tipps

1. Gehen Sie zur „Featured Column“ unten im Menü des öffentlichen WeChat-Kontos „Fanpu“, um eine Reihe populärwissenschaftlicher Artikel zu verschiedenen Themen zu lesen.

2. „Fanpu“ bietet die Funktion, Artikel nach Monat zu suchen. Folgen Sie dem offiziellen Account und antworten Sie mit der vierstelligen Jahreszahl + Monat, also etwa „1903“, um den Artikelindex für März 2019 zu erhalten, usw.

Copyright-Erklärung: Einzelpersonen können diesen Artikel gerne weiterleiten, es ist jedoch keinem Medium und keiner Organisation gestattet, ihn ohne Genehmigung nachzudrucken oder Auszüge daraus zu verwenden. Für eine Nachdruckgenehmigung wenden Sie sich bitte an den Backstage-Bereich des öffentlichen WeChat-Kontos „Fanpu“.