AI ai是什么意思?
想象一下，有一本食谱，里面有 150,000 道诱人的菜肴，但制作菜肴的很少。
这就是劳伦斯伯克利民族实验室 (LBNL) 的「材料项目」（Materials Project）所面临的挑战。它运用计算机预测了大约 150,000 种可以改进电池电极和催化剂等设备的新材料。但该数据库的全球用户仅仅设法将其中的一小部分用于测试，还有成千上万的未尝试。「合成已成为瓶颈，」LBNL 的材料科学家 Gerbrand Ceder 说。
Ceder 和他的同事们结合了AI 和机器人技术来消除这一瓶颈。AI 体系对所需材料的配方做出最佳猜测，接着在机器人尝试创建物理样品时迭代反应条件。这个被称为 A-Lab 的新装置，每天合成的新材料已经是实验室里人类所能合成的大约 100 倍。「这是要走的路，」弗赖堡大学的化学家 Ali Coskun 说。
AI 驱动的机器人实验室在寻找新药的制药企业甚至一些学术材料实验室中变得司空见惯。但主要运用相对容易混合和加工的液态前体化合物。「用固体材料做到这一点要困难得多，」Coskun 说。合成这些材料通常需要将固体粉末混合在一起，接着添加不同的溶剂组合，并对热量、干燥时刻和其他输入进行试验，以试图让它们结晶成预期的材料。
Ceder 说，食谱的数量基本上是无限的。
LBNL 材料项目的负责人 Kristin Persson 公布了新的A-Lab实验室，他说，虽然计算机可以预测哪些最终化合物应该会产生更好的设备，但「没有合成学说告知大家啥子可以制造啥子不能制造。」
Ceder 说，以前的自动化职业随机混合化合物以寻找新材料，但新的 AI 驱动方式更类似于传统化学家的职业方法。AI 首先利用其对化学的领会提出一种合理的材料合成方式。它引导机械臂在近 200 种不同的粉状起始材料中进行选择，其中包含锂、镍、铜、铁和锰等元素。混合前体后，另壹个机器人将混合物分装到一组坩埚中，接着将其装入熔炉中，在那里它们可以和氮气、氧气和氢气等气体混合。接着，AI 会确定煅烧不同混合物的时刻、温度、干燥时刻等。
煅烧后，壹个类似口香糖球的分配器在每个坩埚中添加壹个滚珠轴承并摇动它以将新物质研磨成细粉，接着加载到载玻片上。接着机械臂抓取每个样本并将其滑入 X 射线机或其他设备中进行解析。结局被反馈到材料结构和特性的材料项目数据库中，如果结局和预期不同，AI 配置会迭代反应条件并从头开始。
LBNL 的研究人员在过去的多少月里一直在研究他们体系中的难题并进行测试。在此经过中，A-Lab 已经生产了 40 多种目标材料——约占其规划生产的化合物的 70%。「在过去的 6 周里，我制造的新化合物比我整个职业生涯都多，」Ceder 说。
LBNL 的 AI 材料实验室也许不会长期孤立无援。在 4 月 3 日三星先进技术研究所研究人员公开的预印本（《Navigating phase diagram complexity to guide robotic inorganic materials synthesis》）中，研究人员报告说，他们也建立了壹个计算机驱动的机器人实验室来寻找新的电子材料。该报告的结局显示，他们的装置进行了 200 多次反应，生成了 35 种无机化合物，包括电池电极、固体氧化物燃料电池和超导体中常用的某些氧化物。三星的 Jeong-Ju Cho 表示，在机器人实验的每个阶段，「都在一定程度上运用了 AI」。
具体而言，研究人员提出了一种热力学策略来导航高维相图，以寻找能够规避低能量竞争副产物的前体，同时最大化反应能量以驱动快速相变动力学。运用机器人无机材料合成实验室，对前体选择守则进行了大规模的实验验证。对于一组 35 种具有代表插层电池阴极和固态电解质化学性质的目标四元氧化物，进行了 224 种反应，涵盖 27 种元素和 28 种特殊的前体。结局预测的前体通常产生比从传统前体开始时具有更高相纯度的目标材料。
Ceder 指出，虽然转给了全自动合成和解析，但研究人员还是依然如故地有也许做出意想差点的发现。「这和 A-Lab 没有啥子不同。」除了现在，成功和惊喜也许会来得更快。
研究人员表示：「这项职业预示着数据驱动的实验合成科学的新范式，机器人实验室的高吞吐量和可重复性使对合成科学假设的更综合的研究成为也许。这个令人兴奋的机器人平台可以用于研究更多的基本难题。当大家运用这些机器人实验室来验证人类设计的假设时，大家将加深对材料形成经过中热力学和动力学之间相互影响的基本领会。同时，这种科学领会将推动基于物理信息的 AI 合成规划框架的开发，以实现真正自主的材料加工和制造。」
参考内容：
https://www.science.org/content/article/ai-driven-robots-start-hunting-novel-materials-without-help-humans