柯蒂斯·柏林蓋特是一名材料學家，在加拿大英屬哥倫比亞大學工作時，他曾要求研究生改進太陽能電池中的關鍵材料，以提高其導電性。

他在這一過程中發(fā)現(xiàn)，潛在的調(diào)整變量數(shù)量繁多，不同變量可產(chǎn)生千萬種可能。比如加入微量金屬和其他添加劑可以改變加熱和干燥時間。

柏林蓋特和同事將這項工作交給了置入人工智能算法的單臂機器人，機器人可混合不同溶液，并將其澆筑成薄膜，再進行熱處理或后續(xù)步驟。

在美國材料研究學會日前舉行的一次會議上，柏林蓋特報告了這一系統(tǒng)最新成果：摸清配方和加熱條件后，人工智能可創(chuàng)造用于太陽能電池的新型薄膜，而且以往需要9個月才能解決的問題如今只須5天。

事實上，在藥物開發(fā)、遺傳學研究等其他領域，已有用人工智能設計實驗的先例。比如用dna合成器進行編程，給出dna組裝的任何可能。

但對某種材料而言，無法用單一方法對其進行處理或合成，這意味著智能算法指導的自動化系統(tǒng)處理流程會更復雜。柏林蓋特等人的成果意味著材料學領域的類似系統(tǒng)已經(jīng)產(chǎn)生。“這是一個令人興奮的領域。”在美國空軍研究室工作的材料學家本吉丸山評價說，“形成系統(tǒng)閉環(huán)意味著材料領域會以更快的速度創(chuàng)新。”

元素周期表有100多種元素，理論上可以對其進行無數(shù)種組合，由此產(chǎn)生的材料數(shù)量非常可觀。這意味著有成百上千種材料等待人們?nèi)グl(fā)現(xiàn)，另一方面，如何選出其中真正可用的部分也成為挑戰(zhàn)。

如今人工智能機器人可以提供幫助，機器人可以混合數(shù)十種不同的材料配方（這些配方有細微差別），再將不同配方產(chǎn)生的材料放在單個晶片或其他材料上進行處理和測試。

不過，丸山還表示，如果只是簡單地逐個配方進行實驗，只能算是高通量實驗的一種，而不是實現(xiàn)大量突破的創(chuàng)新。

為了加快這一過程，許多研究團隊利用計算機建模尋找可能的材料配方，而且已有不少新型材料誕生。但問題在于，這些系統(tǒng)設計往往依賴材料學專業(yè)研究生或經(jīng)驗豐富的科學家，系統(tǒng)評估由人給出既定標準，實驗是否進行也由人決定。但人無法一直操控所有步驟。

與柏林蓋特的團隊類似，在波士頓大學工作的機械工程師基思·布朗也建立了由人工智能驅(qū)動的機器人系統(tǒng)。

布朗團隊的研究目標是找到足夠堅固的3d打印結(jié)構(gòu)。材料的韌性取決于結(jié)構(gòu)細節(jié)，既對強度有要求，也需要良好的延展性。而這些往往無法靠預測得出，必須通過實驗檢驗。

作為測試用例，布朗等人用塑料造出一種桶形結(jié)構(gòu)，大小與一個鹽瓶相當。研究團隊改變了桶形外壁的支柱數(shù)量、方向和形狀，但全部變量加起來可能產(chǎn)生約50萬種組合。

為了更快找出合適結(jié)構(gòu)，布朗團隊先用機器人制造出個不同結(jié)構(gòu)，并對所有選項進行采樣。然后，他們利用人工智能算法測量實驗中可能產(chǎn)生的最優(yōu)設計。

通過實驗和計算，相關程序可以找出材料具有良好韌性的趨勢，比如每個支柱的厚度、半徑變化，有助于預測出更堅固的結(jié)構(gòu)。而這一切無需研究者密切盯守。程序啟動24小時后，研究者獲得了比以往任何原始設計都堅固的結(jié)構(gòu)。

以上是網(wǎng)絡信息轉(zhuǎn)載，信息真實性自行斟酌。