最近，西北大学的研究人员用AI来解决如何生成新的金属玻璃混合物的问题。这比起在实验室进行实验快了200倍。
科学家们正在构建由数千种化合物组成的数据库，以便用算法来预测哪些化合物的组合会形成有趣的新材料。还有人用AI来分析已发表的论文挖据“材料配方”以产生新材料。
过去，科学家和建筑工人们只能将材料混合在一起看看能形成什么。比如，水泥就是这样被发现的。随着时间的推移，他们学习了各种化合物的物理特性，但大部分知识仍然只是基于直觉。
“如果你问为什么日本水淬钢用于制作刀具最好，我觉得谁都回答不了，”美国国家标准与技术研究院材料基因倡导小组的主任James Warren说，“对于这种内部结构与迷人外表之间的关系，它们只有一种根据经验而来的理解。”
Warren说，我们现在可以利用数据库和计算机来快速确定是什么让材料变得更坚固或更轻，而不是凭经验，这有可能变革整个行业。此外，原本发现一种材料并将其整合成产的时间可能需要超过20年，加速这一过程势必会使我们获得更好的手机电池和屏幕，更好的用于火箭的合金材料，以及更好的健康设备传感器。
“任何事情只要是由物质造成的，我们就可以改进。”沃伦说。
正如Warren所说，为了理解新材料是如何制造的，我们可以把材料科学家想象成厨师。假设你有鸡蛋，并且你喜欢有嚼头的食物，这些就是你想要的菜肴的特点，但你该怎么做呢？为了创建一个蛋白和蛋黄都结实的结构，你需要一个配方，其中包含根据你想要的结果处理鸡蛋的步骤，比如煮老一点。
材料科学使用相同的概念：如果一位科学家想要某些材料特性（比如说，轻便又坚韧），她会寻找可以产生这些特性的物理和化学结构，以及需要通过哪种处理过程，比如对金属进行熔化或捶打，来创造这样的结构。
建立“材料云”数据库，虽不完美但已为科学家们创造了捷径
数据库和计算技术可以帮助人们找到答案。“我们对材料进行量子力学级别的计算，这种计算非常复杂，因此我们可以在实验室中合成一种可能的新材料之前，就用计算机预测出它的属性。”西北大学材料科学家Chris Wolverton说，他主管开放量子材料数据库。其他主要数据库包括材料项目和材料云。数据库还不完整，但数据量一直在增长，并且已经从中找到了令人兴奋的发现。
瑞士洛桑联邦理工大学研究员Nicola Marzari利用数据库查找可剥离的3D材料，以创建仅有一层的2D材料。比如，被炒得沸沸扬扬的石墨烯，它由单层石墨（也就是铅笔芯的材料）组成。像石墨烯一样，这些2D材料可以具有非凡的特性，如强度，而这在其3D形态中是不存在的。
Marzari的团队用算法筛选来自多个数据库的信息。他上个月在《自然纳米技术杂志》上发表的文章中写到，该算法在超过100，000种材料中，最终发现可以剥离成一层的材料大约有2，000种。
Marzari管理的“材料云”是一个材料“宝藏”，因为许多材料具有可以改善电子设备的特性，有些可以很好地传导力，有些可以将热量转化为水，有些可以吸收太阳能：它们可以用于计算机或电池中的半导体，因此Marzari团队的下一步就是密切研究这些可能的特性。
Marzari的工作是科学家如何使用数据库来预测哪些化合物可能会产生令人兴奋的新材料的一个例子。然而，这些预测仍需要在实验室中得到证实。并且Marzari仍然需要给他的算法定义某些规则，比如寻找弱化学键。AI可以创建一条捷径：科学家可以告诉AI他们想要创造的东西，比如超强材料，而不是编制特定的规则，然后AI会告诉科学家生成新材料最佳实验方法。
Wolverton和他在西北大学的团队在本月出版的Science Advances杂志上的一篇论文中描述了AI 的运用。研究人员渴望研制新的金属玻璃（非晶态合金），这种玻璃比金属或玻璃更结实，但硬度却更低，未来可以用于改进手机和航天器。
斯坦福大学SLAC国家加速器实验室的共同研究者Apurva Mehta说，他们使用的AI方法与人们学习新语言的方式类似。语言学习的其中一种方法是坐下来记住所有的语法规则。“但另一种学习方法就是靠经验和听别人说话，”Mehta说。
他们的做法是把两者组合起来。首先，研究人员浏览尽可能多的已发表的论文，了解如何制作不同类型的金属玻璃。接下来，他们将这些“语法规则”提供给机器学习算法。然后该算法学会自己预测哪些元素的组合会创造一种新的金属玻璃形式，这类似于通过去法国居住来改善法语，而不是无休止地背词性变化表。Mehta的团队随后在实验室中检验了机器学习系统给出的建议。
科学家一次可以合成和测试数千种材料。但即使以这样的速度，盲目尝试每种可能的组合还是很浪费时间。“他们不能把整个元素周期表都拿来做尝试，”Wolverton说，所以AI的作用是“为他们提供几个入手点”。
AI的结果并不完美，还不能给出更进一步的建议，比如所需元素的确切比例，但科学家们确实能够用AI的结果生成新的金属玻璃。另外，测试AI给出的结果意味着他们现在有更多的数据可以反馈给算法，所以每次重新预测都会变得更智能。
创建一份“食谱”或材料配方集
使用AI的另一种方式是创建一个“食谱”或材料配方集。在去年年底发表的两篇论文中，麻省理工学院的科学家开发了一种机器学习系统，可以扫描学术论文，找出哪些论文包含制作某种材料的说明。它检测出哪些段落包含“配方”的准确率高达99％，并且该段落中找出原话的准确度有86％。
麻省理工学院团队现在正在对AI系统进行更精确的训练。他们希望为整个科学界创建这种“食谱”数据库，但他们需要与这些学术论文的出版商合作，以确保其收集不违反任何协议。最终，团队还希望能够训练系统阅读论文，然后自行制作新的“食谱”。
麻省理工学院材料科学家及共同研究者Elsa Olivetti：“我们的其中一个目标是对于已经发现的材料，找到更有效，更低成本的生成方法。另一个目标是，对于计算机预测出的化合物，我们能否提出一系列更好的方法来生成它？”
挑战：模型预测考虑不到现实因素
人工智能和材料科学的未来看起来很有前景，但依然存在挑战。首先，计算机无法预测一切。“这些预测本身就有错误，并且经常是在简化的材料模型基础上预测，而不考虑真实情况”，EPFL的Marzari说。有各种各样的环境因素会影响化合物的行为，比如温度和湿度，大多数模型没有考虑这些因素。
Wolverton认为另一个问题是我们仍然没有足够多的的所有化合物的数据资料，缺乏数据意味着算法不会很智能。也就是说，他和Mehta现在希望在除金属玻璃以外的其他类型的材料上使用他们的方法。他们希望有一天，生成新材料不再需要由人来做实验，而只是AI和机器人就够了。“我们可以创建一个真正完全自主的系统，”Wolverton说，“没有任何人参与的系统。”
编辑点评
纵观新材料科学发展现状，各项瓶颈挑战也是科技发展迫切要解决的现状。抓住机遇，充分调动各类型资金投入到新材料科学中，是加速材料科学发展的有力措施。
