離開實驗室的材料科學：AI正將新材料的發現過程提速200倍

來自專欄 數據汪

大數據文摘作品

編譯：李雷、大茜、Aileen

演算法和材料資料庫正幫科學家預測哪些元素能合成新材料。

幾百年來，人們一直是通過反覆試驗或者靠運氣和偶然發現新材料。現在，科學家們正在使用人工智慧來加速這一過程。

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。

科學家們正在構建由數千種化合物組成的資料庫，以便用演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來分析已發表的論文挖據「材料配方」以產生新材料。

過去，科學家和建築工人們只能將材料混合在一起看看能形成什麼。比如，水泥就是這樣被發現的。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於直覺。

「如果你問為什麼日本水淬鋼用於製作刀具最好，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，「對於這種內部結構與迷人外表之間的關係，它們只有一種根據經驗而來的理解。」

Warren說，我們現在可以利用資料庫和計算機來快速確定是什麼讓材料變得更堅固或更輕，而不是憑經驗，這有可能變革整個行業。此外，原本發現一種材料並將其整合成產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，更好的用於火箭的合金材料，以及更好的健康設備感測器。

「任何事情只要是由物質造成的，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製造的，我們可以把材料科學家想像成廚師。假設你有雞蛋，並且你喜歡有嚼頭的食物，這些就是你想要的菜肴的特點，但你該怎麼做呢？為了創建一個蛋白和蛋黃都結實的結構，你需要一個配方，其中包含根據你想要的結果處理雞蛋的步驟，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），她會尋找可以產生這些特性的物理和化學結構，以及需要通過哪種處理過程，比如對金屬進行熔化或捶打，來創造這樣的結構。

建立「材料雲」資料庫，雖不完美但已為科學家們創造了捷徑

資料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，這種計算非常複雜，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資料庫。其他主要資料庫包括材料項目和材料雲。資料庫還不完整，但數據量一直在增長，並且已經從中找到了令人興奮的發現。

材料項目鏈接：

https://materialsproject.org/about

材料雲鏈接：

https://www.materialscloud.org/

瑞士洛桑聯邦理工大學研究員Nicola Marzari利用資料庫查找可剝離的3D材料，以創建僅有一層的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形態中是不存在的。

Marzari的團隊用演算法篩選來自多個資料庫的信息。他上個月在《自然納米技術雜誌》上發表的文章中寫到，該演算法在超過100,000種材料中，最終發現可以剝離成一層的材料大約有2,000種。

Marzari管理的「材料雲」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，有些可以將熱量轉化為水，有些可以吸收太陽能：它們可以用於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資料庫來預測哪些化合物可能會產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。並且Marzari仍然需要給他的演算法定義某些規則，比如尋找弱化學鍵。AI可以創建一條捷徑：科學家可以告訴AI他們想要創造的東西，比如超強材料，而不是編製特定的規則，然後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雜誌上的一篇論文中描述了AI 的運用。研究人員渴望研製新的金屬玻璃(非晶態合金)，這種玻璃比金屬或玻璃更結實，但硬度卻更低，未來可以用於改進手機和航天器。

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則。「但另一種學習方法就是靠經驗和聽別人說話，」Mehta說。

他們的做法是把兩者組合起來。首先，研究人員瀏覽儘可能多的已發表的論文，了解如何製作不同類型的金屬玻璃。接下來，他們將這些「語法規則」提供給機器學習演算法。然後該演算法學會自己預測哪些元素的組合會創造一種新的金屬玻璃形式，這類似於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的團隊隨後在實驗室中檢驗了機器學習系統給出的建議。

科學家一次可以合成和測試數千種材料。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的結果並不完美，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的結果生成新的金屬玻璃。另外，測試AI給出的結果意味著他們現在有更多的數據可以反饋給演算法，所以每次重新預測都會變得更智能。

創建一份「食譜」或材料配方集

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

麻省理工學院團隊現在正在對AI系統進行更精確的訓練。他們希望為整個科學界創建這種「食譜」資料庫，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議。最終，團隊還希望能夠訓練系統閱讀論文，然後自行製作新的「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於已經發現的材料，找到更有效，更低成本的生成方法。另一個目標是，對於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：模型預測考慮不到現實因素

人工智慧和材料科學的未來看起來很有前景，但依然存在挑戰。首先，計算機無法預測一切。「這些預測本身就有錯誤，並且經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。有各種各樣的環境因素會影響化合物的行為，比如溫度和濕度，大多數模型沒有考慮這些因素。

Wolverton認為另一個問題是我們仍然沒有足夠多的的所有化合物的數據資料，缺乏數據意味著演算法不會很智能。也就是說，他和Mehta現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。「我們可以創建一個真正完全自主的系統，」Wolverton說，「沒有任何人參與的系統。」

相關報道：

https://www.theverge.com/platform/amp/2018/4/25/17275270/artificial-intelligence-materials-science-computation