近年来,机器学习在化学领域的应用正以惊人的速度增长,在材料性能预测、新材料探索与设计等领域也取得了很大进展。但是,机器学习与实验过程的直接耦合还存在巨大的挑战。

近日,一个包括美国国家标准与技术研究所(NIST)在内的多机构研究团队在 AI 研究领域取得了又一项重要研究成果:他们开发出了一种名为 CAMEO 的 AI 算法,该算法在不需要科学家额外训练的情况下,自主发现了一种潜在的实用新材料。利用 CAMEO 算法实现的 AI 系统,可以有效地减少科学家在实验室中花费的“反复”实验时间,同时最大限度地提高科研效率。

该研究成果以“ On-the-fly closed-loop materials discovery via Bayesian active learning ”为题,于 11 月 24 日在线发表在科学期刊《自然-通讯》(Nature Communications)上。

新材料的发现是推动现代科学发展与技术革新的源动力之一,而传统的材料研发需要进行大量的试验,效率低且成本高——要想寻找这样的新材料,不仅需要研究人员进行大量的实验,还需要耗费大量的时间去做理论调查。

CAMEO 算法的“用武之地”正在于此,CAMEO 可以跳过那些会提供冗余信息的实验,确保每个实验都可以最大限度地帮助科学家获取知识和见解,提升他们的理解能力。通过节省实验时间,可以有效帮助科学家更快实现其目标,也使实验室的有限资源能够得到更有效地利用。

那么,CAMEO 算法如何实现这一点?

CAMEO 是基于机器学习的一个自学习 AI 算法,为材料研究领域的探索提供了一种全新的范式。CAMEO 通过闭环操作来寻找有用的新材料,首先从数据库中加载材料数据,然后通过贝叶斯机器学习对数据进行分析,预测未知材料的结构和功能特性,并通过主动学习来确定下一步要研究的最有价值的材料。在进行下一轮实验之前,CAMEO 还可以要求科学家根据过去所执行的实验经验,提供材料的晶体结构等信息。

内容中包含的图片若涉及版权问题,请及时与我们联系删除