AI又達成了一個新成就！
只用6小時，發現新的奈米結構。如果使用傳統方法，完成這個任務至少需要1個月。
此結果發表在Science子刊Advance。
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種新的奈米結構。
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的演算法驅動框架，它可以自主定義和執行實驗的所有步驟。
數位產品新創公司CEO讀完論文後，大膽放話小蹭了ChatGPT的熱度：
我敢打賭，未來五年裡，AI改造工程、材料科學、製藥，會讓ChatGPT的影響力相形見絀。
新發現三種奈米結構，都是透過一種叫做自組裝（self-assembly ）的過程形成的。
自組裝是指基本結構單元，如分子、奈米材料、微米等，自發性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。
布魯克海文功能奈米材料中心（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，同時也嚴格控制，使用這個技術，能讓更小的奈米圖案提高解析度。
介紹CFN，這個機構的工作目標，就是建立一個自組裝奈米模式類型的圖書館，來擴大其應用範圍。
先前，研究人員證明透過混合兩種自組裝材料，可以形成新的奈米圖案類型。
不過一直以來，傳統的自組裝只能形成相對簡單的結構，例如如圓柱體、薄片或球體。
但這次，研究人員發現，三種新奈米結構中，有階梯結構！
也就是說，一旦使用適當的化學光柵（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的研究人員引進了一種新的AI能力：
自主實驗。
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戶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演算法驅動框架，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性。
最新研究是團隊首次成功展示演算法發現新材料的能力。
gpCAM加入後，研究小組首先利用CFN的奈米加工設備，製備了一個具有一系列特性的複雜樣本；接著又在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，也包含了研究人員感興趣的每個參數的梯度。
如此一來，單一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。
射線運行時，gpCAM在沒有人為幹預的情況下，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有洞察力，簡單來說就是用AI演算法選定下一步該測量的是哪個點位，讓每次測量更準確。
從開始到結束，AI演算法一共花了6個小時。
假設使用的是傳統方法，研究人員至少要在實驗室裡泡一個月。
這6小時內，演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，揭示了奈米軌道和梯度，以及其他一些新特徵。
「自主實驗可以大大加速發現。」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還說，除速度外，自主實驗還增加了可研究範圍，這意味著現在可以嘗試解決更具挑戰性的科學問題了。
也就是說，自主實驗方法具有適應性，可以應用在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？
參考連結：
[1]//m.sbmmt.com/link/8e5231f0eadafd174b670e838e42d97d
#[2] https://www.science.org/doi/10.1126/sciadv.add3687[3]https://www.bnl.gov/newsroom/news.php?a=120993#:~:text=The artificial intelligence (AI)-,published today in Science Advances.
以上是AI演算法發現種新奈米結構，研究時間從1個月壓縮到6小時的詳細內容。更多資訊請關注PHP中文網其他相關文章！
