“机器学习正在材料研究的所有领域产生影响。”麻省理工材料研究实验室主任Carl V. Thompson说。

大西洋里奇菲尔德能源研究副教授Elsa A.Olivetti表示：“人类与机器学习的协同工作越来越普遍，机器学习能够指导人类，如何通过合成方法的新见解来制作新材料。”

多孔材料——沸石

OrvieTi和丰田材料助理教授Rafael Gomez Bombarelli合作，运用机器学习的方法，更好地理解了一种叫做沸石的多孔材料——沸石由硅和氧化铝制成，用途广泛，从猫砂到石油精炼，不一而足。

Bombarelli教授说：“虽然工程师们知道这类沸石大约有250种，但物理学家却计算出了成千上万种可能形成多孔材料的方式。甚至你可以开采一种沸石，把它放在不同的压力下，或者在不同的温度中加热，它就会变成一种不同的沸石，这种多变性对特定的应用来说更有价值。”

目前制造沸石的统方法是将这些晶体结构视为一种构件的组合，但是在分析沸石转变时，超过一半的时间里，变更前的原始沸石和变更后的新沸石之间没有共同的构建基块。Bombarelli将每个沸石骨架结构表示为一个图，并使用人工智能将这些图进行匹配，发现有些种类的转变，只发生在具有相同图形的沸石之间。这项工作是由Olivetti对250万篇材料科学期刊文章的数据挖掘发展而来的，目的是发现制造不同无机材料的方法。

AI辅助化学合成

化学合成是有机化学、无机化学、药物化学、高分子化学、材料化学等学科的基础和核心，通常以得到一种或多种产物为目的而进行的一系列化学反应，它对于高科技材料来说至关重要。

化学工程教授Warren K. Lewis与材料科学与工程教授Klavs F.Jensen描述了一种化学合成系统，该系统能够将人工智能引导的处理步骤，与机器人操作的模块化反应系统相结合。

据Jensen介绍，该人工智能系统梳理了1250万个反应，从大约16万个最常用的合成配方中创建了一套规则库。这种机器学习方法能够给实验人员建议，如：在反应中使用什么催化剂、溶剂或试剂。

这套系统可以从已发表的文献中获取信息，研究人员可以利用这些信息来制作配方。但由于还没有足够的数据，所以某些方面仍然需要化学专家介入，例如：浓度制定、流速和工艺堆栈配置等。

研究人员通过预测15种药物或类药物分子的合成计划，以及利用该系统制造药物，演示了这一系统，过程中，流反应器系统与批处理系统形成了鲜明对比。对此，Jensen教授解释道：“为了能够加速反应，这是难免的，我们通常使用比成批生产更激进的条件。”

模块系统由一个具有可互换反应模块的处理塔，和一组不同的试剂组成，试剂由机器人连接在一起进行合成。

以上这些发现均发表在《科学》杂志上，大家感兴趣的话可以点击文末链接，进行详尽了解。

光学优势

普通的光谱仪，可以追溯到牛顿的第一个棱镜——通过分裂光来工作，但会减少光的强度。 Juejun的版本则不同，他的成果能在一个单一的探测器上收集所有的光，保持光的强度。

如果想要解决光谱分辨率和信噪比之间的权衡问题，就必须要用一种新型的光谱工具，即波长复用光谱仪。Juejun的新型光谱仪结构被称为数字傅里叶变换光谱学，在硅芯片上集成了可调光开关，该装置可以通过测量不同光开关设置下的光强度，并比较结果来工作。

一个有6个开关的原型设备总共支持64个独特的光学状态，可以提供64个独立的读数，这种新设备架构的优点是，每次添加一个新开关，性能就会提高一倍。Juejun与麻省理工学院的一位研究人员合作开发了一种新的算法——Elastic D1，它的分辨率可以达到0.2纳米，并且只需要连续两次测量，就可以精确地测量光线。

“我们相信，新型光谱仪结构的硬件与算法之间的独特结合，可以使工业过程监测到医学成像等广泛的应用成为可能。”Juejun在一次演讲时，信心满满地道。

材料学、生物学、化学、光学等等领域都出现了AI与机器学习的身影，这样多领域的应用，不仅能推进各个领域的发展，还有利于新算法的开发，回馈于AI与机器学习本身，是双赢的结果。

参考链接：

《科学》杂志：https://dx.doi.org/10.1126/science.aax1566

参考来源：谷歌新闻、麻省理工官网、百度百科、Venturebeat。