AI算法发现3种新纳米结构，研究时间从1个月压缩到6小时_风闻

　　衡宇 发自 凹非寺

　　量子位 | 公众号 QbitAI

　　AI又达成了一个新成就！

　　只用6个小时，发现新的纳米结构。如果使用传统方法，完成这个任务至少需要1个月。

　　这一结果发表在Science子刊Advance上。

△扫描电子显微镜图像描绘了AI发现的新型纳米结构

　　实验来自美国能源部（DOE）布鲁克黑文国家实验室，研究人员用AI驱动的技术，发现了3种新的纳米结构。

　　其中一种的结构还是非常罕见的“阶梯”型。

　　整个过程他们用上叫做gpCAM的算法驱动框架，它可以自主定义和执行实验的所有步骤。

　　数字产品初创公司CEO读完论文后，大胆放话小蹭了ChatGPT的热度：

　　我敢打赌，未来五年里，AI改造工程、材料科学、制药，会让ChatGPT的影响力相形见绌。

　　发现三种新的纳米结构

　　新发现三种纳米结构，都是通过一种叫自组装（self-assembly）的过程形成的。

　　自组装是指基本结构单元，比如分子、纳米材料、微米等，自发形成有序结构的一种技术。

　　所形成的结构稳定，且几何外观具有一定规则。

　　布鲁克海文功能纳米材料中心（CFN）的科学家，也是新研究的作者之一Gregory Doerk解释：

　　自组装材料的特性很小，同时还严格控制，使用这个技术，能让更小的纳米图案提高分辨率。

△共同作者Kevin Yager（左）和Gregory Doerk（右）。

　　介绍一下CFN，这个机构的工作目标，就是建立一个自组装纳米模式类型的图书馆，来扩大其应用范围。

　　此前，研究人员证明通过混合两种自组装材料，可以形成新的纳米图案类型。

　　不过一直以来，传统的自组装只能形成相对简单的结构，比如如圆柱体、薄片或球体。

　　但这一次，研究人员发现，三种新纳米结构中，有个阶梯结构！

　　也就是说，一旦使用恰当的化学光栅（分光器），混合两种自组装材料是完全可以发现新结构的。

　　新发现带来惊喜，也带来了实验过程的新挑战：

　　整个自组装过程需要控制许多参数，必须找到合适的参数组合，才能创建新的且有用的结构。

　　这个过程往往非常漫长。

　　为了加速研究，CFN的研究人员引入了一种新的AI能力：

　　自主实验。

　　从1个月加速到6小时完成

　　不妨先听听传统方法是怎么来找合适的参数组合的～

　　首先，研究人员会合成一个样本，然后测量它，从中学习有用的信息。

　　然后，再制作一个不同的样本，测量它，从中学习……

　　总之就是不断重复这个过程，直到解决想要解决的问题。

　　如此单调乏味的重复性工作，为什么不交给AI试试呢？

　　其实CFN和同实验室的科学用户设施办公室国家同步加速器光源II (NSLS-II）一直在开发一种AI框架，想让它可以自动定义和执行实验的所有步骤。

　　时间紧迫，CFN最终选择与美国能源部高等数学能源研究应用中心（CAMERA）合作。

　　CAMERA的gpCAM算法驱动框架，就可以进行自主决策。合作过程中，gpCAM被用来自主探索模型的不同特征。

　　最新研究是团队首次成功演示该算法发现新材料的能力。

　　gpCAM加入后，研究小组首先利用CFN的纳米加工设备，制备了一个具有一系列特性的复杂样本；接着又在CFN的材料合成设备中进行了自组装，并进行分析。

　　这个样品具有光谱性质，还包含了研究人员感兴趣的每个参数的梯度。

　　如此一来，单个样本就成为了许多不同材料结构的巨大集合。

　　这个样本被送到NSLS-II，用超亮X射线进行结构研究。

△X 射线散射数据(左)显示与相应的扫描电子显微镜图像(右)的关键领域的样本

　　射线运行时，gpCAM在没有人为干预的情况下，创建了一个材料的多个不同结构的模型。

　　gpCAM要做的还有让测量更具洞察力，简单来说就是用AI算法选定下一步该测量的是哪个点位，让每次测量更准确。

△NSLS-II的软物质接口 (SMI) 光束线。

　　从开始到结束，AI算法一共花了6个小时。

　　假设使用的是传统方法，研究人员至少得在实验室里泡一个月。

　　这6个小时内，算法已经确定了复杂样本中的三个关键区域。

　　研究人员利用CFN电子显微镜设备对这三个区域进行精确的细节成像，揭示了纳米级梯子的纳米轨和梯度，以及其他一些新特征。

　　“自主实验可以极大地加速发现。”CFN研究员、新研究共同作者Kevin Yager，“这是在‘收紧’科学界通常的发现循环，减少假设和测量之间的时间间隔。”

　　Yager还说，除速度外，自主实验还增加了可研究范围，这意味着现在可以尝试解决更具挑战性的科学问题了。

　　也就是说，自主实验方法具有自适应性，可以应用于几乎所有的研究问题。

　　研究人员们已经在期待研究多个参数之间复杂的相互作用，对此，你又有什么期待呢？

　　参考链接：

　　[1]https://phys.org/news/2023-01-ai-nanostructures.html

　　[2]https://www.science.org/doi/10.1126/sciadv.add3687

　　[3]https://www.bnl.gov/newsroom/news.php?a=120993#:~:text=The%20artificial%20intelligence%20(AI)%2D,published%20today%20in%20Science%20Advances.