编辑/绿萝
当一位大厨开发出一份新的蛋糕食谱时，她不会尝试每一种可以想象到的配料组合，以查看哪一种效果最好。厨师使用先前的烘焙知识和基本原理来更有效地寻找制胜配方。
材料科学家使用类似的方法在可再生能源和微电子等领域寻找具有独特性能的新型材料。康奈尔大学研究人员开发的一种新人工智能工具有望快速探索和识别「制造」新材料所需的条件。
该研究以「Autonomous materials synthesis via hierarchical active learning of nonequilibrium phase diagrams」为题，于 2021 年 12 月 17 日发表在《Science Advances》上。
SARA：AI 驱动的自主闭环材料发现框架
SARA（科学自主推理代理）集成了机器人材料合成和表征，以及人工智能和主动学习方法的层次结构，以有效揭示复杂加工相图的结构，使材料发现速度大大加快。
特别是，SARA 旨在以完全集成的方式自动化材料知识的表示、表征、规划、优化和学习。为了实现这一目标，研究人员设想部署代理，这些代理分别专注于特定的子任务，但彼此密切交互以加速发现工作。这些代理包括但不限于用于进行实验的合成和探测机器人技术以及高度优化的基于物理的 AI 模型，这些模型可评估当前可用数据及其相关不确定性并推动 AI 引导的发现。
在这项工作中，朝着实现这一愿景迈出了一大步，并提出了一个完全集成的自主框架，该框架以闭环方式迭代地绘制出亚稳态化合物的合成相边界。
SARA 的嵌套合成、显微成像和由具有 AL（主动学习）的专门 AI 驱动的反射光谱回路反映了科学发现的层次性质。
SARA 的闭环自主材料合成和发现周期。
在这里，研究人员提出了 SARA 如何通过使用表征和合成代理 XAI 和 ΣAI，在分层自治工作流程中集成 lg-LSA 合成和光学相边界检测。
XAI 的主要任务是构建在 Tp 和 τ 下退火的 lg-LSA（激光尖峰退火）样品的准确反射光谱图 r(x, λ)，同时在条纹上尽可能少的位置 xi 进行测量。
XAI 循环的整体工作流程。
一旦 lg-LSA 条带被 XAI 处理，它的输出反射梯度信息就会被输入到外部合成 AI 代理 ΣAI。
ΣAI 的整体工作流程。
与 XAI 循环相比，有更多机会将基于先验知识的结构合并到 ΣAI 的获取函数而不是内核中。
由于循环的嵌套设计，SARA 的整体 AL 加速度是 XAI 和 ΣAI 的加速因子的乘积。
表征新材料系统所需实验时间缩短1~2个数量级
对于这项工作，研究人员将重点放在无机材料上，尤其是那些处于「亚稳态」状态的材料，这些状态最终可能会随着时间的推移转变为「平衡」状态。例如，金刚石是亚稳态的，如果有足够的时间，它最终会转变为石墨。
许多这样的亚稳态材料具有独特的特性，使其适用于许多应用，但由于它们不是自然存在的，因此识别它们可能是一项耗时且费力的工作。研究人员说，SARA 可以将表征新材料系统所需的实验时间缩短一到两个数量级——从几天到几小时，从几小时到几分钟。
该研究的目标是探索合成相图，特别是相对未探索的超快退火区域，在那里更可能形成金属氧化物的亚稳态多晶型物。
在这里，研究了 Bi-O 系统，该系统展示了丰富的相图，其中包含数十种实验观察到的多晶型物。研究人员特别关注 Bi2O3 成分，已知其有五种不同的结晶相：单斜 -Bi2O3 是室温下的热力学基态；有四个高温相：四方 -Bi2O3、体心立方 -Bi2O3、立方 -Bi2O3 和正交 ϵ-Bi2O3。
研究人员通过自动绘制 Bi2O3 系统的合成相边界来证明 SARA 的性能，从而在建立合成相图时产生数量级的加速，其中包括在室温下稳定 δ-Bi2O3 的条件，这是电化学技术的关键发展。
在选定的迭代次数 n 下，Bi2O3 系统的主动学习梯度相位图的演变。
SARA 以闪电般的速度进行这些搜索。在分析了一个材料后——在这种情况下，氧化铋的不同相和与温度相关的特性，通过溅射沉积在晶片上的薄膜中，并通过一种称为横向梯度激光尖峰退火的技术进行处理——SARA 决定下一个要进行的实验，立即进行，然后重复该过程。这些循环中的每一个都在短短几秒钟内完成。
「计算机正在原位和现场控制实验，」Thompson 说。「有一个命令可以在特定条件下处理材料，然后立即对其进行表征，并根据现在可用的即时新知识，对下一个实验将进行什么做出新的决定。」
「所以在弄清楚下一个实验是什么之后，它实际上做了那个实验，」van Dover 说。「然后继续并重新解释，然后又提出了另一个实验——所有这些都没有人工干预。」
Gregoire 将 SARA 称为「自动驾驶实验室」。
SARA 的嵌套合成、显微成像和由具有 AL 的专门 AI 驱动的反射光谱回路反映了科学发现的层次性质。层次结构之间的协调对于最大限度地从低级实验中生成高级知识至关重要，这指导我们开发无缝结合任务协调和不确定性传播的嵌套 AL 算法。
能力和知识源的网络化将 AI 和 AL 的使用从流程优化提升到加速科学发现，这是 AI 辅助科学的宏伟愿景。
参考内容：https://techxplore.com/news/2021-12-ai-powers-autonomous-materials-discovery.html
论文链接：https://www.science.org/doi/10.1126/sciadv.abg4930
