Nature子刊：機器取代實驗？在極端複雜領域發現先進材料

孜然學術

大學教師

技術推動了對新型和改進功能材料的不斷探索，使得對日益複雜的多組分材料的探索成為必要。隨著每一個新的成分或材料參數的增加，候選實驗的空間呈指數增長
。例如，如果研究一個新參數的影響(例如引入摻雜)需要在參數範圍內進行大約10次實驗，那麼N個參數將需要10N+次可能的實驗。

高通量合成和表征技術提供了部分解決方案
：隨著每一個新參數的出現，候選實驗的數量迅速地超出了窮盡探索的可行性。材料組成-結構-性質(CSP)關系的多樣性和複雜性，包括材料-加工參數和原子無序性，使研究更加混亂。再加上最佳材料的稀缺，這些挑戰威脅著創新和工業進步。

結構相圖，描述了材料結構對組成的依賴關系，作為功能和結構材料設計的藍圖，因為大多數材料的性質是與晶體結構原型相聯系的。例如，特性極值往往發生在特定的相位區域(如磁性和超導性)或沿相位邊界(如熱冷卻材料和形態變向的相位邊界壓電體)。

機器學習(ML)正在改變人類眼前的材料研究，但ML與實驗的直接耦合仍然是一個巨大的挑戰
。閉環材料探索和優化自主系統(CAMEO)提供了一種新的材料研究範式，以真正駕馭ML的加速潛力，為21世紀材料研究範式奠定了基礎——自主材料研究實驗室在機器人科學家或人工科學家的監督下運行。數據分析和決策(包括不確定性量化)的實時可視化，為人機研究團隊中的人類專家提供了自主過程的可解釋性。CAMEO還利用了閉環中人類專家的非自動化能力，從而提升了人類和機器的能力。

主動學習ML領域致力於優化實驗設計(即自適應設計)，是這種新範式的關鍵。主動學習提供了一種系統的方法來確定下一步要進行的最佳實驗，以達到用戶定義的目標。貝葉斯優化(BO)主動學習技術最近被用於指導實驗室的實驗人員優化未知功能。BO方法平衡了利用實驗探索未知功能和利用先驗知識識別極值的實驗。但是，過去的研究只是建議研究者進行下一步的實驗，而實驗的計劃、執行和分析則留給了研究人員。

機器人技術的最新進展已經將材料合成的負擔從人類專家轉移到了自動化系統，加速了材料的發現
。同時，主動學習已經被證明可以通過指導已知階段的模擬來加速性能優化。此外，將主動學習置於固態材料探索實驗室的實時控制中，有望加快材料發現的速度，同時也能快速有效地揭示複雜材料的性質關系。

在此，研究者演示了，將一個閉環的、主動學習驅動的自主系統集中在極端複雜的合成過程-結構-性能領域，用於發現先進材料。研究者展示了一種功能性無機化合物的自主材料發現方法，它能讓科學家更聰明地失敗，更快地學習，並在他們的研究中花費更少的資源，同時提高對科學結果和機器學習工具的信任。
這種機器人科學使網絡科學成為可能，減少了科學家與實驗室的經濟負擔。實時閉環、自主的材料探索和優化系統(CAMEO)在同步加速器波束線上實現，以加速相映射和性能優化的相互關聯的任務，每個周期花費數秒到數分鐘。研究者還演示了人機交互的呈現，其中“人在循環中”被調用，以在每個循環中扮演貢獻角色。

圖1 閉環自主材料探索和優化(CAMEO)。

圖2 材料優化方案的比較。

圖3 Ge4Sb6Te7(GST467)的發現。

圖4 GST467的納米結構和器件性能。

綜上所述，一種新型PCM材料的發現表明，類似CAMEO的系統，將通過加速材料知識的發現和收集、簡化實驗周期、改進對實驗變異性的控制、提高再現性，從而提高對科學結果的信任度，實現材料設計的主要目標。他們還將生成參考和基准數據集——自動處理、分析和轉換為可操作的知識和所有相關的元數據，以開發和提高對機器學習工具的信任。（文：水生）

本文來自微信公眾號“材料科學與工程”。歡迎轉載請聯系，未經許可謝絕轉載至其他網站。