科学家开发出一种基于人工智能的方法，有助于在寻找新材料时更有效地收集数据，使研究人员能够以更高的精度和速度应对复杂的设计挑战。

这项研究源自美国能源部 SLAC 国家加速器实验室和斯坦福大学的计算机科学和材料科学研究人员的合作。此次合作结合了算法开发、机器学习和材料科学方面的专业知识。

他们的研究成果今天发表在《npj 计算材料》杂志上，为“自动驾驶实验”奠定了基础。在“自动驾驶实验”中，智能算法定义了 SLAC 的直线加速器相干光源 (LCLS) 等设施的下一组测量参数。新方法还可以快速发现新材料，这些材料可能在气候变化、量子计算和药物设计等领域大有可为。

传统材料发现历来是一个耗时且昂贵的过程，因为制造和测量新材料的特性成本很高。可能的材料空间也非常大，仅含四种元素的材料就有超过 100 亿种可能性。对于制药应用而言，挑战更大——大约有 10 60 种可能的类药分子仅含有最基本的构造块(C、H、O、N 和 S 原子)。

由于需要满足复杂的设计目标，例如发现合成具有不同尺寸、形状和成分的纳米颗粒的条件，这项任务变得更加复杂。传统方法通常最大化或最小化简单属性，但速度通常太慢，无法筛选出大量搜索空间以发现符合研究人员目标的新材料。

本文提出了一种新方法，将复杂的目标自动转换为智能数据采集策略。该方法的一个关键特性是能够从每次实验中学习和改进，使用人工智能根据迄今为止收集的数据建议下一步行动。该创新基于贝叶斯算法执行 (BAX) 的概念，该概念由合著者 Willie Neiswanger 最近开发，他在进行这项研究时是斯坦福大学计算机科学博士后研究员。在这种方法中，复杂的目标可以写成简单的购物清单或食谱，在需要考虑多种物理属性的情况下表现出色。

另一个重要方面是，该方法用户友好且开源，允许世界各地的科学家使用和调整它进行研究，促进全球合作与创新。

研究人员针对纳米材料合成和磁性材料表征的各种自定义目标测试了他们的方法。结果表明，他们的方法比现有技术效率高得多，尤其是在复杂情况下。

“我们的方法允许你指定复杂的目标，从而能够在较大的设计空间内自动优化，这增加了找到新的、令人惊叹的材料的可能性，”领导这项研究的 SLAC 和斯坦福大学博士生 Sathya Chitturi 说道。“贝叶斯算法执行框架让你能够以一种优雅而简单的方式捕捉材料设计任务的复杂性。”

例如，设计具有特定催化特性的材料的能力可以改善化学过程，从而以更高效、更可持续的方式制造商品和材料，减少能源消耗和浪费。在制造业中，新材料可以增强 3D 打印等工艺，实现更精确、更可持续的生产。在医疗保健领域，量身定制的药物输送系统可以改善治疗的靶向性和释放，提高疗效并减少副作用。

研究人员已开始实施将该框架整合到实验和基于模拟的研究项目中的方法，以证明其广泛的适用性和有效性。

“该项目是 SLAC 与斯坦福大学多学科合作的一个很好的例子，”合作者、SLAC 机器学习计划 (MLI) 负责人 Daniel Ratner 表示。“Sathya 能够将 Willie 的核心算法计算机科学研究应用于解决材料科学领域的现实科学问题。”

MLI 的研究人员目前正在研究大规模材料模拟的应用，Neiswanger、Ratner 和合作者刚刚发表了BAX 的相关应用，以优化粒子加速器的性能。

“通过将先进的算法与有针对性的实验策略相结合，我们的方法使发现新材料的过程变得更容易、更快捷，”合作者、斯坦福同步辐射光源 (SSRL) 材料科学部主任 Chris Tassone 说道。“这可以带来许多行业的新创新和应用。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：