AI算法發現3種新納米結構，研究時間從1個月壓縮到6小時_風聞

　　衡宇 發自 凹非寺

　　量子位 | 公眾號 QbitAI

　　AI又達成了一個新成就！

　　只用6個小時，發現新的納米結構。如果使用傳統方法，完成這個任務至少需要1個月。

　　這一結果發表在Science子刊Advance上。

△掃描電子顯微鏡圖像描繪了AI發現的新型納米結構

　　實驗來自美國能源部（DOE）布魯克黑文國家實驗室，研究人員用AI驅動的技術，發現了3種新的納米結構。

　　其中一種的結構還是非常罕見的“階梯”型。

　　整個過程他們用上叫做gpCAM的算法驅動框架，它可以自主定義和執行實驗的所有步驟。

　　數字產品初創公司CEO讀完論文後，大膽放話小蹭了ChatGPT的熱度：

　　我敢打賭，未來五年裏，AI改造工程、材料科學、製藥，會讓ChatGPT的影響力相形見絀。

　　發現三種新的納米結構

　　新發現三種納米結構，都是通過一種叫自組裝（self-assembly）的過程形成的。

　　自組裝是指基本結構單元，比如分子、納米材料、微米等，自發形成有序結構的一種技術。

　　所形成的結構穩定，且幾何外觀具有一定規則。

　　布魯克海文功能納米材料中心（CFN）的科學家，也是新研究的作者之一Gregory Doerk解釋：

　　自組裝材料的特性很小，同時還嚴格控制，使用這個技術，能讓更小的納米圖案提高分辨率。

△共同作者Kevin Yager（左）和Gregory Doerk（右）。

　　介紹一下CFN，這個機構的工作目標，就是建立一個自組裝納米模式類型的圖書館，來擴大其應用範圍。

　　此前，研究人員證明通過混合兩種自組裝材料，可以形成新的納米圖案類型。

　　不過一直以來，傳統的自組裝只能形成相對簡單的結構，比如如圓柱體、薄片或球體。

　　但這一次，研究人員發現，三種新納米結構中，有個階梯結構！

　　也就是説，一旦使用恰當的化學光柵（分光器），混合兩種自組裝材料是完全可以發現新結構的。

　　新發現帶來驚喜，也帶來了實驗過程的新挑戰：

　　整個自組裝過程需要控制許多參數，必須找到合適的參數組合，才能創建新的且有用的結構。

　　這個過程往往非常漫長。

　　為了加速研究，CFN的研究人員引入了一種新的AI能力：

　　自主實驗。

　　從1個月加速到6小時完成

　　不妨先聽聽傳統方法是怎麼來找合適的參數組合的～

　　首先，研究人員會合成一個樣本，然後測量它，從中學習有用的信息。

　　然後，再製作一個不同的樣本，測量它，從中學習……

　　總之就是不斷重複這個過程，直到解決想要解決的問題。

　　如此單調乏味的重複性工作，為什麼不交給AI試試呢？

　　其實CFN和同實驗室的科學用户設施辦公室國家同步加速器光源II (NSLS-II）一直在開發一種AI框架，想讓它可以自動定義和執行實驗的所有步驟。

　　時間緊迫，CFN最終選擇與美國能源部高等數學能源研究應用中心（CAMERA）合作。

　　CAMERA的gpCAM算法驅動框架，就可以進行自主決策。合作過程中，gpCAM被用來自主探索模型的不同特徵。

　　最新研究是團隊首次成功演示該算法發現新材料的能力。

　　gpCAM加入後，研究小組首先利用CFN的納米加工設備，製備了一個具有一系列特性的複雜樣本；接着又在CFN的材料合成設備中進行了自組裝，並進行分析。

　　這個樣品具有光譜性質，還包含了研究人員感興趣的每個參數的梯度。

　　如此一來，單個樣本就成為了許多不同材料結構的巨大集合。

　　這個樣本被送到NSLS-II，用超亮X射線進行結構研究。

△X 射線散射數據(左)顯示與相應的掃描電子顯微鏡圖像(右)的關鍵領域的樣本

　　射線運行時，gpCAM在沒有人為干預的情況下，創建了一個材料的多個不同結構的模型。

　　gpCAM要做的還有讓測量更具洞察力，簡單來説就是用AI算法選定下一步該測量的是哪個點位，讓每次測量更準確。

△NSLS-II的軟物質接口 (SMI) 光束線。

　　從開始到結束，AI算法一共花了6個小時。

　　假設使用的是傳統方法，研究人員至少得在實驗室裏泡一個月。

　　這6個小時內，算法已經確定了複雜樣本中的三個關鍵區域。

　　研究人員利用CFN電子顯微鏡設備對這三個區域進行精確的細節成像，揭示了納米級梯子的納米軌和梯度，以及其他一些新特徵。

　　“自主實驗可以極大地加速發現。”CFN研究員、新研究共同作者Kevin Yager，“這是在‘收緊’科學界通常的發現循環，減少假設和測量之間的時間間隔。”

　　Yager還説，除速度外，自主實驗還增加了可研究範圍，這意味着現在可以嘗試解決更具挑戰性的科學問題了。

　　也就是説，自主實驗方法具有自適應性，可以應用於幾乎所有的研究問題。

　　研究人員們已經在期待研究多個參數之間複雜的相互作用，對此，你又有什麼期待呢？

　　參考鏈接：

　　[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.