AI又達成了一個新成就!
只用6小時,發現新的奈米結構。如果使用傳統方法,完成這個任務至少需要1個月。
此結果發表在Science子刊Advance。
實驗來自美國能源部(DOE)布魯克黑文國家實驗室,研究人員用AI驅動的技術,發現了3種新的奈米結構。
其中一種的結構還是非常罕見的「階梯」型。
整個過程他們用上叫做gpCAM的演算法驅動框架,它可以自主定義和執行實驗的所有步驟。
數位產品新創公司CEO讀完論文後,大膽放話小蹭了ChatGPT的熱度:
我敢打賭,未來五年裡,AI改造工程、材料科學、製藥,會讓ChatGPT的影響力相形見絀。
新發現三種奈米結構,都是透過一種叫做自組裝(self-assembly )的過程形成的。
自組裝是指基本結構單元,如分子、奈米材料、微米等,自發性形成有序結構的一種技術。
所形成的結構穩定,且幾何外觀具有一定規則。
布魯克海文功能奈米材料中心(CFN)的科學家,也是新研究的作者之一Gregory Doerk解釋:
自組裝材料的特性很小,同時也嚴格控制,使用這個技術,能讓更小的奈米圖案提高解析度。
介紹CFN,這個機構的工作目標,就是建立一個自組裝奈米模式類型的圖書館,來擴大其應用範圍。
先前,研究人員證明透過混合兩種自組裝材料,可以形成新的奈米圖案類型。
不過一直以來,傳統的自組裝只能形成相對簡單的結構,例如如圓柱體、薄片或球體。
但這次,研究人員發現,三種新奈米結構中,有階梯結構!
也就是說,一旦使用適當的化學光柵(分光器),混合兩種自組裝材料是完全可以發現新結構的。
新發現帶來驚喜,也帶來了實驗過程的新挑戰:
整個自組裝過程需要控制許多參數,必須找到合適的參數組合,才能創建新的且有用的結構。
這個過程往往非常漫長。
為了加速研究,CFN的研究人員引進了一種新的AI能力:
自主實驗。
不妨先聽聽傳統方法是怎麼來找合適的參數組合的~
#首先,研究人員會合成一個樣本,然後測量它,從中學習有用的信息。
然後,再製作一個不同的樣本,測量它,從中學習…
總之就是不斷重複這個過程,直到解決想要解決的問題。
如此單調乏味的重複性工作,為什麼不交給AI試試呢?
其實CFN和同實驗室的科學用戶設施辦公室國家同步加速器光源II (NSLS-II)一直在開發一種AI框架,想讓它可以自動定義和執行實驗的所有步驟。
時間緊迫,CFN最終選擇與美國能源部高等數學能源研究應用中心(CAMERA)合作。
CAMERA的gpCAM演算法驅動框架,就可以進行自主決策。合作過程中,gpCAM被用來自主探索模型的不同特性。
最新研究是團隊首次成功展示演算法發現新材料的能力。
gpCAM加入後,研究小組首先利用CFN的奈米加工設備,製備了一個具有一系列特性的複雜樣本;接著又在CFN的材料合成設備中進行了自組裝,並進行分析。
這個樣品具有光譜性質,也包含了研究人員感興趣的每個參數的梯度。
如此一來,單一樣本就成為了許多不同材料結構的巨大集合。
這個樣本被送到NSLS-II,用超亮X射線進行結構研究。
射線運行時,gpCAM在沒有人為幹預的情況下,創建了一個材料的多個不同結構的模型。
gpCAM要做的還有讓測量更有洞察力,簡單來說就是用AI演算法選定下一步該測量的是哪個點位,讓每次測量更準確。
從開始到結束,AI演算法一共花了6個小時。
假設使用的是傳統方法,研究人員至少要在實驗室裡泡一個月。
這6小時內,演算法已經確定了複雜樣本中的三個關鍵區域。
研究人員利用CFN電子顯微鏡設備對這三個區域進行精確的細節成像,揭示了奈米軌道和梯度,以及其他一些新特徵。
「自主實驗可以大大加速發現。」CFN研究員、新研究共同作者Kevin Yager,「這是在『收緊』科學界通常的發現循環,減少假設和測量之間的時間間隔.」
Yager還說,除速度外,自主實驗還增加了可研究範圍,這意味著現在可以嘗試解決更具挑戰性的科學問題了。
也就是說,自主實驗方法具有適應性,可以應用在幾乎所有的研究問題。
研究人員們已經在期待研究多個參數之間複雜的相互作用,對此,你又有什麼期待呢?
參考連結:
[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 artificial intelligence (AI)-,published today in Science Advances.
以上是AI演算法發現種新奈米結構,研究時間從1個月壓縮到6小時的詳細內容。更多資訊請關注PHP中文網其他相關文章!