人工智能与机器学习技术的发展为材料科学创造了无穷的可能性

电子说

1.2w人已加入

描述

人工智能与机器学习技术的发展为材料科学创造了无穷的可能性。

目前,整个材料行业已经是一副“山雨欲来风满楼”的态势。下至普通的计算机芯片、太阳能电池板与充电电池,上至高精尖的超导材料与热电元件,各类新材料的研发工作随时都有可能迎来重大突破。

这一切都要归功于人工智能——正是人工智能与机器学习技术的发展为材料科学创造了无穷的可能性。

“巨变随时都有可能降临。过去五年来,采用人工智能/机器学习技术的材料科学研究团队数量出现了大幅增长,相关的科学论文也一直在以指数级水平攀升。“美国国家标准与技术研究院(NIST)材料测量实验室材料基因组计划主任詹姆斯·沃伦(James Warren)博士说。

机器学习

“许多研究成果已经走出了实验室,开始推动现实社会的进步,但是我认为这只是一个开始。机器学习技术将帮助新材料的开发与改进工作实现‘脱胎换骨’式的改变。”

初露锋芒

我(注:指文章作者)既不是科学家,也不是工程师。我不得不向那些十分聪明的人询问一些十分愚蠢的问题才能养家糊口——记者的工作也就是这么一回事。

在我看来,“材料科学”就是一门研究“原料”的学问,同样,“工程与制造”则意味着要把所有的原料组装起来。而最终产品的质量取决于原料的质量,以及组装原料的技术水平。

这就是材料科学对技术进步来说至关重要的原因。想生产性能更强的芯片?先拿出更好的材料再说。 想要为自动驾驶汽车或太阳能充电板配备更加高效的电池?答案也是一样的。

美国斯坦福大学材料科学与工程系助理教授伊万·里德(Evan Reed)一直在从事电解质方面的研究。在机器学习技术的帮助下,他的团队在正在为锂电池寻找更加出色的电解质。

电解质通常由一系列材料组合而成,为不同的材料组合找到“最优解”通常是一项极为困难的任务。

里德教授表示:“我们已经开发出一种机器学习模型,它对材料的预测甚至比专家的直觉还要敏锐。”

广阔前景

马里兰大学科学家瓦伦丁·斯坦涅夫(Valentin Stanev)致力于将机器学习技术引入超导体的研究中。

“迄今为止,所有已知的超导体都已经被我们记录在案,不过这世界上仍有许多未知的超导体等待我们去发掘。机器学习技术能帮助我们更好地完成这项任务,”他解释说。

除了超导体研究以外,斯坦涅夫在其他领域也看到了机器学习的巨大潜力——热电材料(能够吸收热量并转化为电力)就是其中之一。

“在目前的发电过程中,大部分能量都以热量的形式散失了。如果我们能够捕捉到这些散失的能量,即便是一小部分也能产生巨大的效益,”他说。

除了超导体和热电材料之外,科学家们认为机器学习还能够推动燃料电池储氢装置的发展。在医学领域,机器学习技术可以帮助科学家制造出更好地控制药物溶解的新材料。除此之外,机器学习还能为“金属玻璃”(又称非晶态合金)的研发添砖加瓦。金属玻璃既有金属和玻璃的优点,又克服了它们各自的弊病,在多个领域(例如纳米管制造)都有广阔的应用前景。

对于科学研究过程本身来说,机器学习技术也能发挥重要的作用。

“在材料科学的研究过程中,科研人员需要对大量的数据进行分类以及数据拟合处理(data fitting),他们通常只能依靠自己的双手或者一些简单的线性模型来完成这些工作,”美国劳伦斯伯克利国家实验室计算化学博士后研究员夏姆·徳怀克纳(Shyam Dwaraknath)解释说。“机器学习技术不仅能够大大减轻工作人员的负担,也能帮助数据处理工作实现质量与效率的全面飞跃。在机器学习技术的帮助下,科学家已经能够自动生成相图(phase diagrams),预测新成分结构,甚至让计算机代替人类分析显微图像。

数据才是“灵丹妙药”

科学家们要走的路还有很长,机器学习以及所谓的“材料科学革命”目前仍然处于襁褓之中。即便是再强大的人工智能也不可能包办一切科研工作,因此,科学家需要认清机器学习技术的专长与局限。

“从材料的选择到更加高效的数据分析处理,材料科学界正在积极探索机器学习技术的应用前景,”伊万·里德说。

夏姆·徳怀克纳补充说:“材料科学才刚刚迈入大数据时代。研究人员已经精心建立起了庞大而直观的数据库,但是,现实中各种材料的复杂程度远胜于此。举例来说,目前互联网中的数据总量已经达到10^36字节,但这个数字仅仅相当于构成一粒沙子的原子总数。

如何实现材料科学最新理论研究成果的转化——特别是如何将新材料投入大规模工业生产,是目前另一个悬而未决的问题。

“这就好比是在烘培一款甜品,只知道所需原料和具体的配比是远远不够的,你还必须要掌握详细的烘焙过程——这才是决定你最后究竟是烤出一块香喷喷的蛋糕,还是硬邦邦的‘砖头’的关键所在,”詹姆斯·沃伦说。

上升曲线

尽管存在着种种挑战,但是所有接受采访的材料科学家都对机器学习技术的发展潜力抱有很高的期待。

瓦伦丁·斯坦涅夫表示,科学家如果在研究中进一步采用机器学习技术,就可以缩短80%的实验时间。

“你可以在实验设备中植入一个机器学习工具箱,它将观察实验的结果,并通过算法决定下一步将进行何种实验,进而由此推断出此后一系列实验的结果。从某种意义上说,你可能只需要进行10%或20%的实验就可以掌握研究工作的全貌,“他解释说。

除此之外,研究人员还可以将实验的部分控制权转交给AI系统,让系统自主决定下一步该怎样做。

而根据伊万·里德的说法,机器学习甚至可以用来进行某种“逆向工程”。

“想象这样一个场景:如果你需要开发一种具有特定属性的电池,你可以将想要实现的目标输入到机器学习模型中,系统就会自动对所有已知的材料展开检索,并列举出一系列由不同材料组成的电池,以满足你的需求。”

詹姆斯·沃伦认为,机器学习与材料科学结合的成果或许在转瞬之间就能来到我们身边。

“许多技术突破并没有常人想象中的那样遥远,它们也许在几年之内就能成为现实。研究界的许多同行们都有过这样一种感受——‘刚才到底发生了什么?’我希望其他人也能与我们感同身受,“在说这番话时,他掩饰不住自己的笑意。

沃伦相信,机器学习是未来材料科学发展的关键。在机器学习技术的帮助下,科学家不仅能够突破现有材料的理论极限,还能进一步发现许多激动人心的新材料。

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分