当想到“人工智能”(AI)一词时，您的第一个想法可能是超级智能计算机，或者是不需要任何人帮助即可执行任务的机器人。现在，由来自国家标准技术研究院(NIST)的研究人员组成的多机构团队已经完成了一些不遥远的事情：他们开发了一种称为CAMEO的AI算法，该算法发现了潜在有用的新材料，而无需科学家的额外培训。AI系统可以帮助减少科学家在实验室中花费的反复试验时间，同时最大程度地提高他们的研究效率和效率。
该研究小组在《自然通讯》上发表了有关CAMEO的研究成果。
在材料科学领域，科学家寻求发现可用于特定应用的新材料，例如“一种轻巧但坚固的金属，可用于制造汽车，或一种可承受喷气发动机的高应力和高温的材料， NIST研究人员亚伦·吉拉德·库斯纳(Aaron Gilad Kusne)说。
但是寻找这种新材料通常需要大量的协同实验和费时的理论搜索。如果研究人员对材料的特性如何随温度变化而感兴趣，那么研究人员可能需要在10个不同的温度下进行10个实验。但是温度只是一个参数。如果有五个参数，每个参数具有10个值，则该研究人员必须将实验进行10 x 10 x 10 x 10 x 10次，总共100,000次实验。库斯涅说，由于可能要花费数年或数十年的时间，研究人员几乎不可能进行如此多的实验。
这就是CAMEO的用武之地。CAMEO是材料探索和优化的闭环自主系统的缩写，可以确保每个实验都能最大化科学家的知识和了解，而跳过那些会提供多余信息的实验。通过更少的实验来帮助科学家更快地实现其目标，也使实验室能够更有效地利用其有限的资源。但是CAMEO如何做到这一点?
机器背后的方法
机器学习是一个过程，计算机程序可以访问数据并自己处理数据，从而自动提高自身水平，而无需依靠反复的培训。这是CAMEO的基础，CAMEO是一种自我学习型AI，它使用预测和不确定性来确定接下来要尝试的实验。
顾名思义，CAMEO通过闭环操作寻找有用的新材料：确定要在材料上运行的实验，进行实验并收集数据。在进行下一个实验之前，它还可以从科学家那里获取更多信息，例如所需材料的晶体结构，该信息由循环中执行的所有过去实验提供。
马里兰大学材料科学与工程研究员兼教授竹内一郎说：“我们实验的关键在于我们能够在组合库中释放CAMEO，在那里我们可以制作出各种成分各不相同的材料。” 。在通常的组合研究中，将依次测量阵列中的每种材料以寻找具有最佳性能的化合物。即使使用快速的测量设置，也要花费很长时间。有了CAMEO，仅需很少量的常规测量就可以将最好的材料置入其中。
AI还设计为包含关键原理的知识，包括过去的模拟和实验室实验的知识，设备的工作方式以及物理概念。例如，研究人员使CAMEO掌握了相图知识，该相图描述了材料中原子的排列如何随化学成分和温度而变化。
了解原子在材料中的排列方式对于确定其属性(例如，其硬度或电气绝缘程度以及其对特定应用的适用程度)至关重要。
Kusne说：“人工智能是不受监督的。许多类型的人工智能都需要进行训练或监督。我们不要求它学习物理定律，而是将它们编码为人工智能。您不需要人工来训练人工智能。”
找出材料结构的最佳方法之一是通过X射线轰击它，这是一种称为X射线衍射的技术。通过识别X射线反射的角度，科学家可以确定原子在材料中的排列方式，从而使他们能够确定其晶体结构。但是，一次内部X射线衍射实验可能需要一个小时或更长时间。在同步加速器设施中，大型足球场大小的机器以接近光速的速度使带电粒子加速，此过程可能需要10秒钟，因为快速移动的粒子会发射大量X射线。这是在斯坦福同步加速器辐射光源(SSRL)上进行的实验中使用的方法。
该算法安装在通过数据网络连接到X射线衍射设备的计算机上。CAMEO通过选择X射线关注的材料来研究其原子结构，从而决定下一步要研究的材料组成。每次进行新的迭代时，CAMEO都会从过去的测量中学习并确定下一个要研究的材料。这使AI能够探索材料的成分如何影响其结构，并确定适合该任务的最佳材料。
库斯纳说：“把这个过程想成是制作完美的蛋糕。” “您正在混合各种类型的配料，面粉，鸡蛋或黄油，并使用各种食谱制作出最好的蛋糕。” 借助AI，它可以搜索“配方”或实验以确定材料的最佳成分。
CAMEO就是通过这种方法发现了材料?Ge?_4?Sb?_6?Te?_(7，)，他们将其缩短为GST467。CAMEO获得了177种潜在材料进行研究，涵盖了范围广泛的成分配方。为了获得这种材料，CAMEO执行了19个不同的实验周期，耗时10小时，而科学家用全套177种材料估计将花费90小时。
新材料
该材料由三种不同元素(锗，锑和碲，Ge-Sb-Te)组成，是一种相变存储材料，也就是说，它的原子结构从晶体(固体材料中的原子处于指定的规则位置)改变。加热时迅速熔化，形成非晶态(原子处于随机位置的固体材料)。这种类型的材料用于电子存储应用程序，例如数据存储。尽管Ge-Sb-Te合金系统中可能存在无限的成分变化，但CAMEO发现的新材料GST467最适合相变应用。
研究人员希望CAMEO能够找到最好的Ge-Sb-Te合金，这种合金在晶态和非晶态之间的“光学对比”差异最大。例如，在DVD或蓝光光盘上，光学对比度允许扫描激光通过区分具有高反射率或低反射率的区域来读取光盘。他们发现，GST467的光学对比度是GeGe_2，Sb，_2，Te，Te_5的两倍，后者是DVD常用的材料。较大的对比度使新材料可以大大优于旧材料。
GST467也可用于光子开关设备，该设备可控制电路中的光的方向。它们还可以应用于神经形态计算，这是一个研究领域，致力于开发模拟大脑中神经元结构和功能的设备，为新型计算机以及其他应用(例如从复杂图像中提取有用数据)打开了可能性。
CAMEO的广泛应用
研究人员认为CAMEO可用于许多其他材料应用。CAMEO的代码是开源的，可供科学家和研究人员免费使用。与类似的机器学习方法不同，CAMEO通过关注结晶材料的组成-结构-性质关系，发现了一种有用的新化合物。通过这种方式，该算法通过跟踪材料功能的结构起源来导航发现过程。
CAMEO的优点之一是将成本降至最低，因为在同步加速器设施中进行实验，进行计划和进行实验需要时间和金钱。研究人员估计使用CAMEO进行实验的时间减少了十倍，因为执行的实验数量可以减少十分之一。因为AI正在运行测量，收集数据并执行分析，所以这也减少了研究人员进行实验所需的知识量。研究人员必须专注于运行AI。
另一个好处是为科学家提供了远程工作的能力。SLAC国家加速器实验室的研究员Apurva Mehta说：“这掀起了一波科学家的热潮，他们仍然可以继续工作并在没有实际进入实验室的情况下保持生产力。” 这可能意味着，如果科学家想从事涉及传染性疾病或病毒(例如)的研究，他们可以安全，远程地依靠AI在实验室中进行实验。
目前，研究人员将继续改进AI，并尝试使算法能够解决越来越复杂的问题。Kusne说：“ CAMEO具有机器人科学家的智慧，它的建立是为了以非常有效的方式设计，运行和从实验中学习。”