編輯/綠蘿
當一位大廚開發出一份新的蛋糕食譜時，她不會嘗試每一種可以想象到的配料組合，以檢視哪一種效果最好。廚師使用先前的烘焙知識和基本原理來更有效地尋找制勝配方。
材料科學家使用類似的方法在可再生能源和微電子等領域尋找具有獨特效能的新型材料。康奈爾大學研究人員開發的一種新人工智慧工具有望快速探索和識別「製造」新材料所需的條件。
該研究以「Autonomous materials synthesis via hierarchical active learning of nonequilibrium phase diagrams」為題，於 2021 年 12 月 17 日發表在《Science Advances》上。
SARA：AI 驅動的自主閉環材料發現框架
SARA（科學自主推理代理）集成了機器人材料合成和表徵，以及人工智慧和主動學習方法的層次結構，以有效揭示覆雜加工相圖的結構，使材料發現速度大大加快。
特別是，SARA 旨在以完全整合的方式自動化材料知識的表示、表徵、規劃、最佳化和學習。為了實現這一目標，研究人員設想部署代理，這些代理分別專注於特定的子任務，但彼此密切互動以加速發現工作。這些代理包括但不限於用於進行實驗的合成和探測機器人技術以及高度最佳化的基於物理的 AI 模型，這些模型可評估當前可用資料及其相關不確定性並推動 AI 引導的發現。
在這項工作中，朝著實現這一願景邁出了一大步，並提出了一個完全整合的自主框架，該框架以閉環方式迭代地繪製出亞穩態化合物的合成相邊界。
SARA 的巢狀合成、顯微成像和由具有 AL（主動學習）的專門 AI 驅動的反射光譜迴路反映了科學發現的層次性質。
SARA 的閉環自主材料合成和發現週期。
在這裡，研究人員提出了 SARA 如何透過使用表徵和合成代理 XAI 和 ΣAI，在分層自治工作流程中整合 lg-LSA 合成和光學相邊界檢測。
XAI 的主要任務是構建在 Tp 和 τ 下退火的 lg-LSA（鐳射尖峰退火）樣品的準確反射光譜圖 r(x, λ)，同時在條紋上儘可能少的位置 xi 進行測量。
XAI 迴圈的整體工作流程。
一旦 lg-LSA 條帶被 XAI 處理，它的輸出反射梯度資訊就會被輸入到外部合成 AI 代理 ΣAI。
ΣAI 的整體工作流程。
與 XAI 迴圈相比，有更多機會將基於先驗知識的結構合併到 ΣAI 的獲取函式而不是核心中。
由於迴圈的巢狀設計，SARA 的整體 AL 加速度是 XAI 和 ΣAI 的加速因子的乘積。
表徵新材料系統所需實驗時間縮短1~2個數量級
對於這項工作，研究人員將重點放在無機材料上，尤其是那些處於「亞穩態」狀態的材料，這些狀態最終可能會隨著時間的推移轉變為「平衡」狀態。例如，金剛石是亞穩態的，如果有足夠的時間，它最終會轉變為石墨。
許多這樣的亞穩態材料具有獨特的特性，使其適用於許多應用，但由於它們不是自然存在的，因此識別它們可能是一項耗時且費力的工作。研究人員說，SARA 可以將表徵新材料系統所需的實驗時間縮短一到兩個數量級——從幾天到幾小時，從幾小時到幾分鐘。
該研究的目標是探索合成相圖，特別是相對未探索的超快退火區域，在那裡更可能形成金屬氧化物的亞穩態多晶型物。
在這裡，研究了 Bi-O 系統，該系統展示了豐富的相圖，其中包含數十種實驗觀察到的多晶型物。研究人員特別關注 Bi2O3 成分，已知其有五種不同的結晶相：單斜 -Bi2O3 是室溫下的熱力學基態；有四個高溫相：四方 -Bi2O3、體心立方 -Bi2O3、立方 -Bi2O3 和正交 ϵ-Bi2O3。
研究人員透過自動繪製 Bi2O3 系統的合成相邊界來證明 SARA 的效能，從而在建立合成相圖時產生數量級的加速，其中包括在室溫下穩定 δ-Bi2O3 的條件，這是電化學技術的關鍵發展。
在選定的迭代次數 n 下，Bi2O3 系統的主動學習梯度相點陣圖的演變。
SARA 以閃電般的速度進行這些搜尋。在分析了一個材料後——在這種情況下，氧化鉍的不同相和與溫度相關的特性，透過濺射沉積在晶片上的薄膜中，並透過一種稱為橫向梯度鐳射尖峰退火的技術進行處理——SARA 決定下一個要進行的實驗，立即進行，然後重複該過程。這些迴圈中的每一個都在短短几秒鐘內完成。
「計算機正在原位和現場控制實驗，」Thompson 說。「有一個命令可以在特定條件下處理材料，然後立即對其進行表徵，並根據現在可用的即時新知識，對下一個實驗將進行什麼做出新的決定。」
「所以在弄清楚下一個實驗是什麼之後，它實際上做了那個實驗，」van Dover 說。「然後繼續並重新解釋，然後又提出了另一個實驗——所有這些都沒有人工干預。」
Gregoire 將 SARA 稱為「自動駕駛實驗室」。
SARA 的巢狀合成、顯微成像和由具有 AL 的專門 AI 驅動的反射光譜迴路反映了科學發現的層次性質。層次結構之間的協調對於最大限度地從低階實驗中生成高階知識至關重要，這指導我們開發無縫結合任務協調和不確定性傳播的巢狀 AL 演算法。
能力和知識源的網路化將 AI 和 AL 的使用從流程最佳化提升到加速科學發現，這是 AI 輔助科學的宏偉願景。
參考內容：https://techxplore.com/news/2021-12-ai-powers-autonomous-materials-discovery.html
論文連結：https://www.science.org/doi/10.1126/sciadv.abg4930
