盖世汽车讯 据外媒报道，美国能源部SLAC国家加速器实验室（SLAC National Accelerator Laboratory）和斯坦福大学（Stanford University）的计算机科学和材料科学研究人员合作开发出基于人工智能（AI）的方法，有助于在探索新材料时更有效地收集数据，从而能够以更高的精确度和速度来应对复杂的设计挑战。此次合作结合了各方在算法开发、机器学习和材料科学方面的专业知识。

　　这项研究为“自动驾驶实验（self-driving experiment）”奠定了基础，其中智能算法定义了SLAC的直线加速器相干光源（LCLS）等设施的下一组测量参数。新方法还支持快速发现新材料，可能在气候变化、量子计算和药物设计等领域富有前景。

　　由于制造和测量新材料性能的成本很高，传统材料的发现过程历来耗时且昂贵。可能的材料空间也非常大，其中只有四种元素的材料的可能性超过100亿种。由于需要满足复杂的设计目标，例如发现合成纳米颗粒（具有不同尺寸、形状和成分）的条件，这项任务变得更加复杂。传统方法通常是最大化或最小化简单属性，因此速度较慢，无法筛选巨大的搜索空间以发现符合研究人员目标的新材料。

　　该项研究提出新的方法，将复杂的目标自动转换为智能数据采集策略。关键特性之一是能够从每次实验中学习和改进，通过AI根据目前收集到的数据来提出下一步骤。该创新基于由研究人员Willie Neiswanger最近开发的贝叶斯算法执行（BAX）概念。在这种方法中，复杂的目标可以写成简单的物品清单（shopping list）或配方，在需要考虑多种物理属性的情况下表现出色。另外，这种方法易于使用且开源，便于全球研究人员使用和调整，从而促进全球合作和创新。

　　针对纳米材料合成和磁性材料表征的各种自定义目标，研究人员测试了这种方法。结果表明，他们的方法比当前技术的效率明显更高，尤其是在复杂情况下。

　　研究负责人、SLAC和斯坦福大学的博士生Sathya Chitturi表示：“这种方法支持用户指定复杂的目标，在较大设计空间内实现自动优化，从而增加了发现新的卓越材料的可能性。借助贝叶斯算法执行框架，用户可以简单优雅的方式体现材料设计任务的复杂性。”

　　例如，设计具有特定催化性能的材料，可以改善化学过程，从而实现更高效、更可持续的产品和材料制造方法，减少能耗和浪费。在制造业中，新材料有助于增强3D打印等工艺，从而实现更精确和可持续的生产过程。在医疗保健领域，定制药物输送系统可以提升治疗药物的靶向性和释放性，从而提高疗效并减少副作用。

　　研究人员已经在实施各种方法，将这个框架整合到基于实验和模拟的研究项目中，以证明其广泛的适用性和有效性。SLAC机器学习计划（MLI）负责人Daniel Ratner表示：“该项目是SLAC和斯坦福大学之间多学科合作的完美例证。Sathya能够调整Willie的核心算法计算机科学研究，以解决材料科学中的现实科学问题。”

　　现在，MLI研究人员正在探讨大规模材料模拟应用，Neiswanger等人刚刚发布了BAX的相关应用，以优化粒子加速器性能。SLAC斯坦福同步辐射光源（SSRL）材料科学部负责人Chris Tassone表示：“结合先进的算法与有针对性的实验策略，这种方法有助于简化和加速发现新材料，有望在许多行业实现创新和应用。”