AI和机器学习的多领域前景

“机器学习正在材料研究的所有领域产生影响。”麻省理工材料研究实验室主任Carl V. Thompson说。

大西洋里奇菲尔德能源研究副教授Elsa A.Olivetti表示：“人类与机器学习的协同工作越来越普遍，机器学习能够指导人类，如何通过合成方法的新见解来制作新材料。”

多孔材料——沸石

多孔材料是一种由相互贯通或封闭的孔洞所构成网络结构的材料，孔洞的边界或表面由支柱或平板构成。相对连续介质材料而言，多孔材料一般具有相对密度低、比强度高、比表面积高、重量轻、隔音、隔热、渗透性好等优点，是一种非常好科研材料。

OrvieTi和丰田材料助理教授Rafael Gomez Bombarelli合作，运用机器学习的方法，更好地理解了一种叫做沸石的多孔材料——沸石由硅和氧化铝制成，用途广泛，从猫砂到石油精炼，不一而足。

Bombarelli教授说：“虽然工程师们知道这类沸石大约有250种，但物理学家却计算出了成千上万种可能形成多孔材料的方式。甚至你可以开采一种沸石，把它放在不同的压力下，或者在不同的温度中加热，它就会变成一种不同的沸石，这种多变性对特定的应用来说更有价值。”

目前制造沸石的统方法是将这些晶体结构视为一种构件的组合，但是在分析沸石转变时，超过一半的时间里，变更前的原始沸石和变更后的新沸石之间没有共同的构建基块。Bombarelli将每个沸石骨架结构表示为一个图，并使用人工智能将这些图进行匹配，发现有些种类的转变，只发生在具有相同图形的沸石之间。这项工作是由Olivetti对250万篇材料科学期刊文章的数据挖掘发展而来的，目的是发现制造不同无机材料的方法。

AI辅助化学合成

化学合成是有机化学、无机化学、药物化学、高分子化学、材料化学等学科的基础和核心，通常以得到一种或多种产物为目的而进行的一系列化学反应，它对于高科技材料来说至关重要。

化学工程教授Warren K. Lewis与材料科学与工程教授Klavs F.Jensen描述了一种化学合成系统，该系统能够将人工智能引导的处理步骤，与机器人操作的模块化反应系统相结合。

据Jensen介绍，该人工智能系统梳理了1250万个反应，从大约16万个最常用的合成配方中创建了一套规则库。这种机器学习方法能够给实验人员建议，如：在反应中使用什么催化剂、溶剂或试剂。

这套系统可以从已发表的文献中获取信息，研究人员可以利用这些信息来制作配方。但由于还没有足够的数据，所以某些方面仍然需要化学专家介入，例如：浓度制定、流速和工艺堆栈配置等。

研究人员通过预测15种药物或类药物分子的合成计划，以及利用该系统制造药物，演示了这一系统，过程中，流反应器系统与批处理系统形成了鲜明对比。对此，Jensen教授解释道：“为了能够加速反应，这是难免的，我们通常使用比成批生产更激进的条件。”

模块系统由一个具有可互换反应模块的处理塔，和一组不同的试剂组成，试剂由机器人连接在一起进行合成。

以上这些发现均发表在《科学》杂志上，大家感兴趣的话可以点击文末链接，进行详尽了解。

光学优势

材料科学与工程学教授Juejun“ JJ” Hu，将一个用于检测红外光波长的硅芯片光谱仪与一个新创建的机器学习算法结合到了一起。

普通的光谱仪，可以追溯到牛顿的第一个棱镜——通过分裂光来工作，但会减少光的强度。Juejun的版本则不同，他的成果能在一个单一的探测器上收集所有的光，保持光的强度。

如果想要解决光谱分辨率和信噪比之间的权衡问题，就必须要用一种新型的光谱工具，即波长复用光谱仪。Juejun的新型光谱仪结构被称为数字傅里叶变换光谱学，在硅芯片上集成了可调光开关，该装置可以通过测量不同光开关设置下的光强度，并比较结果来工作。

一个有6个开关的原型设备总共支持64个独特的光学状态，可以提供64个独立的读数，这种新设备架构的优点是，每次添加一个新开关，性能就会提高一倍。Juejun与麻省理工学院的一位研究人员合作开发了一种新的算法——Elastic D1，它的分辨率可以达到0.2纳米，并且只需要连续两次测量，就可以精确地测量光线。

“我们相信，新型光谱仪结构的硬件与算法之间的独特结合，可以使工业过程监测到医学成像等广泛的应用成为可能。”Juejun在一次演讲时，信心满满地道。

材料学、生物学、化学、光学等等领域都出现了AI与机器学习的身影，这样多领域的应用，不仅能推进各个领域的发展，还有利于新算法的开发，回馈于AI与机器学习本身，是双赢的结果。

参考链接：

《科学》杂志：

https://dx.doi.org/10.1126/science.aax1566

参考来源：谷歌新闻、麻省理工官网、百度百科、Venturebeat。