加州伯克利A-Lab成功合成41种新材料，AI加速新材料发现

加州伯克利A-Lab成功合成41种新材料，AI加速新材料发现

近期，美国加州大学伯克利分校和劳伦斯国家实验室开发的“A-Lab”自主实验系统，以及耶鲁大学的AI创新项目，都在新材料发现和应用中展现了巨大潜力。A-Lab通过机器学习算法和机器人实验，成功合成了多种目标化合物，而耶鲁大学的AI项目则致力于开发基于人脑记忆机制的AI数据管理系统和高能效AI硬件。这些前沿研究不仅加速了新材料的发现过程，也为未来的科技创新奠定了坚实基础。

A-Lab是一个用于无机粉末固态合成的“自主实验室”，它将机器人技术与从头计算的数据库、机器学习驱动的数据解读、从文本挖掘的文献数据中学习得到的合成启发式方法以及主动学习相结合，以优化粉末形态新型无机材料的合成。尽管早期研究在有机化学领域已经展示过基于液体处理的自主工作流程，但A-Lab解决了操作和鉴定固态无机粉末所面临的特殊挑战。通常需要研磨来确保化学反应前体之间有良好反应性。前体即在化学反应中被转化为最终产品的初始物质，这些前体可能具有各种与其密度、流动行为、颗粒大小、硬度和可压缩性相关的物理属性。化学反应能否按照预期进行，与前体的物理属性密切相关。使用固态粉末非常适合制造业和技术升级，而且A-Lab对合成的方法生成了克级样本量，足够在设备中进行材料初步性能测试与分析。

在选定一组经Materials Project（一个计算材料学的开源科学项目）筛选的在空气中稳定的目标材料（即我们期望最大化产量的合成产品）后，A-Lab使用基于文献历史数据训练的机器学习模型来生成合成配方，并由机器人执行这些配方。通过X射线衍射（XRD）来对合成产品进行特性分析，并由两个机器学习模型共同解析其模式。当合成配方未能达到高产目标（50%）时，主动学习通过提出改进的后续配方来形成闭环。A-Lab在17天的运行期间，成功合成了58种目标材料中的41种。这些材料涵盖了33种元素和41种结构原型。对未获得的17种目标材料进行检查后发现，有些失败是由于合成过程或计算错误，其中一些问题可以通过对实验室决策进行微调来解决。

耶鲁大学工程学院的种子资金项目鼓励研究人员开展跨学科的AI创新研究，涵盖从基础研究到实际应用的多个层面，特别是在材料科学、环境可持续性和医疗健康等关键领域。例如，耶鲁的一个项目由计算机科学系的Abhishek Bhattacharjee和Anurag Khandelwal主导，旨在开发一种灵感来源于人脑的记忆系统，以优化AI基础设施的数据管理。这一研究不仅有望提升AI系统的效率，还可能在商业应用中带来革命性的变化。另一个由Shu Hu和Fengnian Xia领导的项目则致力于通过光电化学神经网络研发能效更高的AI硬件，旨在应对AI计算日益增长的能源需求。

此外，Marynel Vázquez与Poorvu教学与学习中心的同事们合作，开发了一种AI工具，旨在帮助研究人员提升科学叙事能力。这种跨学科的合作模式正是推动AI技术发展的重要动力，它使得来自不同领域的专家能够共同探讨、解决复杂问题。在这些项目中，AI的应用不仅帮助解决了当前的技术挑战，还为未来的创新提供了新的思路和方法。随着AI技术的不断进步，其在各个领域的潜力将愈加显现，推动社会和科技的双重进步。通过这种跨学科的合作模式，我们能够更有效地应对当今世界所面临的复杂挑战，为人类的可持续发展开辟新的路径。

AI在新材料发现中的应用展现了巨大的潜力和广阔的前景。通过A-Lab和耶鲁大学AI项目的成功案例，我们可以看到AI技术在加速新材料合成、优化实验流程和提高能源效率方面的显著优势。然而，AI在材料科学中的应用仍面临一些挑战，如算法优化、数据获取和跨学科人才短缺等。未来，随着技术的不断创新和进步，以及政策支持和市场需求的推动，AI与新材料产业的深度融合将为科技创新和可持续发展注入新的动力。