还有个“罕见”阶梯型

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。

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

△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。

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

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。

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

△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。

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

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。

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

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。

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

△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。

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

△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.