幾百年來，人們一直是通過反復試驗或者靠運氣和偶然發(fā)現(xiàn)新材料。現(xiàn)在，科學家們正在使用人工智能來加速這一過程。

最近，西北大學的研究人員用AI來解決如何生成新的金屬玻璃混合物的問題。這比起在實驗室進行實驗快了200倍。

科學家們正在構(gòu)建由數(shù)千種化合物組成的數(shù)據(jù)庫，以便用算法來預測哪些化合物的組合會形成有趣的新材料。還有人用AI來分析已發(fā)表的論文挖據(jù)“材料配方”以產(chǎn)生新材料。

過去，科學家和建筑工人們只能將材料混合在一起看看能形成什么。比如，水泥就是這樣被發(fā)現(xiàn)的。隨著時間的推移，他們學習了各種化合物的物理特性，但大部分知識仍然只是基于直覺。

“如果你問為什么日本水淬鋼用于制作刀具最好，我覺得誰都回答不了，”美國國家標準與技術研究院材料基因倡導小組的主任James Warren說，“對于這種內(nèi)部結(jié)構(gòu)與迷人外表之間的關系，它們只有一種根據(jù)經(jīng)驗而來的理解。”

Warren說，我們現(xiàn)在可以利用數(shù)據(jù)庫和計算機來快速確定是什么讓材料變得更堅固或更輕，而不是憑經(jīng)驗，這有可能變革整個行業(yè)。此外，原本發(fā)現(xiàn)一種材料并將其整合成產(chǎn)的時間可能需要超過20年，加速這一過程勢必會使我們獲得更好的手機電池和屏幕，更好的用于火箭的合金材料，以及更好的健康設備傳感器。

“任何事情只要是由物質(zhì)造成的，我們就可以改進。”沃倫說。

正如Warren所說，為了理解新材料是如何制造的，我們可以把材料科學家想象成廚師。假設你有雞蛋，并且你喜歡有嚼頭的食物，這些就是你想要的菜肴的特點，但你該怎么做呢？為了創(chuàng)建一個蛋白和蛋黃都結(jié)實的結(jié)構(gòu)，你需要一個配方，其中包含根據(jù)你想要的結(jié)果處理雞蛋的步驟，比如煮老一點。

材料科學使用相同的概念：如果一位科學家想要某些材料特性（比如說，輕便又堅韌），她會尋找可以產(chǎn)生這些特性的物理和化學結(jié)構(gòu)，以及需要通過哪種處理過程，比如對金屬進行熔化或捶打，來創(chuàng)造這樣的結(jié)構(gòu)。

建立“材料云”數(shù)據(jù)庫，雖不完美但已為科學家們創(chuàng)造了捷徑

數(shù)據(jù)庫和計算技術可以幫助人們找到答案。“我們對材料進行量子力學級別的計算，這種計算非常復雜，因此我們可以在實驗室中合成一種可能的新材料之前，就用計算機預測出它的屬性。”西北大學材料科學家Chris Wolverton說，他主管開放量子材料數(shù)據(jù)庫。其他主要數(shù)據(jù)庫包括材料項目和材料云。數(shù)據(jù)庫還不完整，但數(shù)據(jù)量一直在增長，并且已經(jīng)從中找到了令人興奮的發(fā)現(xiàn)。

瑞士洛桑聯(lián)邦理工大學研究員Nicola Marzari利用數(shù)據(jù)庫查找可剝離的3D材料，以創(chuàng)建僅有一層的2D材料。比如，被炒得沸沸揚揚的石墨烯，它由單層石墨(也就是鉛筆芯的材料)組成。像石墨烯一樣，這些2D材料可以具有非凡的特性，如強度，而這在其3D形態(tài)中是不存在的。

Marzari的團隊用算法篩選來自多個數(shù)據(jù)庫的信息。他上個月在《自然納米技術雜志》上發(fā)表的文章中寫到，該算法在超過100,000種材料中，最終發(fā)現(xiàn)可以剝離成一層的材料大約有2,000種。

Marzari管理的“材料云”是一個材料“寶藏”，因為許多材料具有可以改善電子設備的特性，有些可以很好地傳導電力，有些可以將熱量轉(zhuǎn)化為水，有些可以吸收太陽能：它們可以用于計算機或電池中的半導體，因此Marzari團隊的下一步就是密切研究這些可能的特性。

Marzari的工作是科學家如何使用數(shù)據(jù)庫來預測哪些化合物可能會產(chǎn)生令人興奮的新材料的一個例子。然而，這些預測仍需要在實驗室中得到證實。并且Marzari仍然需要給他的算法定義某些規(guī)則，比如尋找弱化學鍵。AI可以創(chuàng)建一條捷徑：科學家可以告訴AI他們想要創(chuàng)造的東西，比如超強材料，而不是編制特定的規(guī)則，然后AI會告訴科學家生成新材料最佳實驗方法。

Wolverton和他在西北大學的團隊在本月出版的Science Advances雜志上的一篇論文中描述了AI 的運用。研究人員渴望研制新的金屬玻璃(非晶態(tài)合金)，這種玻璃比金屬或玻璃更結(jié)實，但硬度卻更低，未來可以用于改進手機和航天器。

斯坦福大學SLAC國家加速器實驗室的共同研究者Apurva Mehta說，他們使用的AI方法與人們學習新語言的方式類似。語言學習的其中一種方法是坐下來記住所有的語法規(guī)則。“但另一種學習方法就是靠經(jīng)驗和聽別人說話，”Mehta說。

他們的做法是把兩者組合起來。首先，研究人員瀏覽盡可能多的已發(fā)表的論文，了解如何制作不同類型的金屬玻璃。接下來，他們將這些“語法規(guī)則”提供給機器學習算法。然后該算法學會自己預測哪些元素的組合會創(chuàng)造一種新的金屬玻璃形式，這類似于通過去法國居住來改善法語，而不是無休止地背詞性變化表。Mehta的團隊隨后在實驗室中檢驗了機器學習系統(tǒng)給出的建議。

科學家一次可以合成和測試數(shù)千種材料。但即使以這樣的速度，盲目嘗試每種可能的組合還是很浪費時間。“他們不能把整個元素周期表都拿來做嘗試，”Wolverton說，所以AI的作用是“為他們提供幾個入手點”。

AI的結(jié)果并不完美，還不能給出更進一步的建議，比如所需元素的確切比例，但科學家們確實能夠用AI的結(jié)果生成新的金屬玻璃。另外，測試AI給出的結(jié)果意味著他們現(xiàn)在有更多的數(shù)據(jù)可以反饋給算法，所以每次重新預測都會變得更智能。

創(chuàng)建一份“食譜”或材料配方集

使用AI的另一種方式是創(chuàng)建一個“食譜”或材料配方集。在去年年底發(fā)表的兩篇論文中，麻省理工學院的科學家開發(fā)了一種機器學習系統(tǒng)，可以掃描學術論文，找出哪些論文包含制作某種材料的說明。它檢測出哪些段落包含“配方”的準確率高達99%，并且該段落中找出原話的準確度有86％。

麻省理工學院團隊現(xiàn)在正在對AI系統(tǒng)進行更精確的訓練。他們希望為整個科學界創(chuàng)建這種“食譜”數(shù)據(jù)庫，但他們需要與這些學術論文的出版商合作，以確保其收集不違反任何協(xié)議。最終，團隊還希望能夠訓練系統(tǒng)閱讀論文，然后自行制作新的“食譜”。

麻省理工學院材料科學家及共同研究者Elsa Olivetti：“我們的其中一個目標是對于已經(jīng)發(fā)現(xiàn)的材料，找到更有效，更低成本的生成方法。另一個目標是，對于計算機預測出的化合物，我們能否提出一系列更好的方法來生成它？”

挑戰(zhàn)：模型預測考慮不到現(xiàn)實因素

人工智能和材料科學的未來看起來很有前景，但依然存在挑戰(zhàn)。首先，計算機無法預測一切。“這些預測本身就有錯誤，并且經(jīng)常是在簡化的材料模型基礎上預測，而不考慮真實情況”，EPFL的Marzari說。有各種各樣的環(huán)境因素會影響化合物的行為，比如溫度和濕度，大多數(shù)模型沒有考慮這些因素。

Wolverton認為另一個問題是我們?nèi)匀粵]有足夠多的的所有化合物的數(shù)據(jù)資料，缺乏數(shù)據(jù)意味著算法不會很智能。也就是說，他和Mehta現(xiàn)在希望在除金屬玻璃以外的其他類型的材料上使用他們的方法。他們希望有一天，生成新材料不再需要由人來做實驗，而只是AI和機器人就夠了。“我們可以創(chuàng)建一個真正完全自主的系統(tǒng)，”Wolverton說，“沒有任何人參與的系統(tǒng)。”