L'algorithme d'IA découvre une nouvelle nanostructure, réduisant le temps de recherche d'un mois à six heures

AI a réalisé un nouvel exploit !

Découvrez de nouvelles nanostructures en seulement 6 heures. En utilisant les méthodes traditionnelles, il faudrait au moins 1 mois pour réaliser cette tâche.

Ce résultat a été publié dans la sous-revue Science Advance.

△Les images au microscope électronique à balayage représentent de nouvelles nanostructures découvertes par l'IA

L'expérience vient du Laboratoire national de Brookhaven du Département américain de l'énergie (DOE). Les chercheurs ont utilisé une technologie basée sur l'IA pour découvrir 3 nouvelles nanostructures.

L'une des structures est un type "échelle" très rare.

Ils ont utilisé un cadre basé sur un algorithme appelé gpCAM pour l'ensemble du processus, qui peut définir et exécuter indépendamment toutes les étapes de l'expérience.

Après avoir lu le journal, le PDG d'une start-up de produits numériques a déclaré avec audace quelque chose à propos de la popularité de ChatGPT :

Je parie que dans les cinq prochaines années, l'ingénierie de transformation de l'IA, la science des matériaux et les produits pharmaceutiques éclipseront les autres. influence de ChatGPT.

Trois nouvelles nanostructures découvertes

Trois nouvelles nanostructures découvertes, toutes formées grâce à un processus appelé auto-assemblage.

L'auto-assemblage fait référence à une technologie dans laquelle des unités structurelles de base, telles que des molécules, des nanomatériaux, des microns, etc., forment spontanément une structure ordonnée.

La structure formée est stable et présente un certain aspect géométrique régulier.

Gregory Doerk, scientifique au Center for Functional Nanomaterials (CFN) de Brookhaven et l'un des auteurs de la nouvelle étude, a expliqué :

Les propriétés des matériaux auto-assemblés sont très petites et strictement contrôlées. un nanomotif plus petit améliore la résolution.

△Co-auteurs Kevin Yager (à gauche) et Gregory Doerk (à droite).

Permettez-moi de vous présenter CFN. L'objectif de cette organisation est d'établir une bibliothèque de nanomodèles auto-assemblés pour élargir son champ d'application.

Auparavant, des chercheurs avaient démontré que de nouveaux types de nanomotifs pouvaient être formés en mélangeant deux matériaux auto-assemblés.

Cependant, l'auto-assemblage traditionnel ne peut former que des structures relativement simples, comme des cylindres, des feuilles ou des sphères.

Mais cette fois, les chercheurs ont découvert que parmi les trois nouvelles nanostructures, il existe une structure en échelle !

En d'autres termes, une fois le réseau chimique approprié (séparateur de spectre) utilisé, il est tout à fait possible de découvrir de nouvelles structures en mélangeant deux matériaux auto-assemblés.

Les nouvelles découvertes apportent des surprises, mais apportent également de nouveaux défis dans le processus expérimental :

L'ensemble du processus d'auto-assemblage nécessite le contrôle de nombreux paramètres, et une combinaison appropriée de paramètres doit être trouvée pour créer de nouvelles structures utiles.

Ce processus est souvent très long.

Pour accélérer la recherche, les chercheurs du CFN ont introduit une nouvelle capacité d'IA :

Expérimentation autonome.

Accélération de 1 mois à 6 heures pour terminer

Autant écouter comment la méthode traditionnelle trouve la combinaison de paramètres appropriée~

Tout d'abord, le chercheur synthétisera un échantillon, puis le mesurera et en tirera des informations utiles .

Ensuite, faites un échantillon différent, mesurez-le, apprenez-en...

En bref, continuez à répéter ce processus jusqu'à ce que vous résolviez le problème que vous souhaitez résoudre.

Pourquoi ne pas confier un travail aussi fastidieux et répétitif à l'IA ?

En fait, le CFN et la National Synchrotron Light Source II (NSLS-II), le Bureau des utilisateurs scientifiques du même laboratoire, ont développé un cadre d'IA capable de définir et d'exécuter automatiquement toutes les étapes d'une expérience.

Le temps presse, CFN a finalement choisi de coopérer avec le Center for Advanced Mathematics in Energy Research and Applications (CAMERA) du département américain de l'Énergie. Le cadre basé sur l'algorithme gpCAM de

CAMERA permet une prise de décision autonome. Au cours de la collaboration, gpCAM a été utilisé pour explorer de manière autonome différentes fonctionnalités du modèle.

Ces dernières recherches constituent la première fois que l’équipe démontre avec succès la capacité de l’algorithme à découvrir de nouveaux matériaux.

Après l'adhésion de gpCAM, l'équipe de recherche a d'abord utilisé l'équipement de nanotraitement du CFN pour préparer un échantillon complexe présentant une série de caractéristiques, puis il s'est auto-assemblé et analysé dans l'équipement de synthèse de matériaux du CFN.

Cet échantillon possède des propriétés spectrales et contient également des gradients pour chaque paramètre intéressant le chercheur.

De cette façon, un seul échantillon devient une immense collection de nombreuses structures matérielles différentes.

Cet échantillon a été envoyé au NSLS-II pour une étude structurelle à l’aide de rayons X ultra-lumineux.

Δ modèles de plusieurs structures différentes.

Ce que gpCAM veut également faire, c'est rendre les mesures plus pertinentes. En termes simples, il utilise des algorithmes d'IA pour sélectionner le point à mesurer ensuite, rendant chaque mesure plus précise.

△Ligne de lumière Soft Matter Interface (SMI) du NSLS-II.

Du début à la fin, l'algorithme d'IA a pris un total de 6 heures.

En supposant que des méthodes traditionnelles soient utilisées, les chercheurs devront rester au laboratoire pendant au moins un mois.

Au cours de ces 6 heures, l'algorithme a identifié trois zones clés dans des échantillons complexes.

Les chercheurs ont utilisé un équipement de microscopie électronique CFN pour imager ces trois zones avec précision, révélant des nanorails et des gradients, entre autres nouvelles caractéristiques.

« L'expérimentation autonome peut considérablement accélérer la découverte. » Kevin Yager, chercheur au CFN et co-auteur de la nouvelle étude, « resserre » le cycle de découverte habituel de la communauté scientifique, en réduisant le temps entre l'hypothèse et la mesure. » Pour accélérer, les expériences autonomes augmentent la portée de la recherche, ce qui signifie que des questions scientifiques plus difficiles peuvent désormais être tentées, a déclaré Yager.

En d’autres termes, la méthode expérimentale autonome est adaptative et peut s’appliquer à presque toutes les questions de recherche.

Les chercheurs ont déjà hâte d’étudier les interactions complexes entre plusieurs paramètres. Qu’en attendez-vous ?

Lien de référence :

[1]​

​https://www.php.cn/link/8e5231f0eadafd174b670e838e42d97d​

​

[2]​https://www.science.org/doi/10.1126/sciadv .add3687[3]​https://www.bnl.gov/newsroom/news.php?a=120993#:~:text=The%20artificial%20intelligence%20(AI)%2D,published%20today%20in% 20Science%20Avances.​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!