När orden "artificiell intelligens" (AI) kommer att tänka på, dina första tankar kan vara supersmarta datorer, eller robotar som utför uppgifter utan att behöva någon hjälp från människor. Nu, ett multiinstitutionellt team inklusive forskare från National Institute of Standards and Technology (NIST) har åstadkommit något som inte är så långt borta:De utvecklade en AI-algoritm som heter CAMEO som upptäckte ett potentiellt användbart nytt material utan att kräva ytterligare utbildning från forskare. AI-systemet kan hjälpa till att minska mängden försök-och-fel-tid som forskare spenderar i labbet, samtidigt som de maximerar produktivitet och effektivitet i sin forskning.

Forskargruppen publicerade sitt arbete om CAMEO i Naturkommunikation .

Inom materialvetenskap, forskare försöker upptäcka nya material som kan användas i specifika tillämpningar, som en "metall som är lätt men också stark för att bygga en bil, eller en som tål höga påfrestningar och temperaturer för en jetmotor, " sa NIST-forskaren Aaron Gilad Kusne.

Men att hitta sådana nya material kräver vanligtvis ett stort antal samordnade experiment och tidskrävande teoretiska sökningar. Om en forskare är intresserad av hur materialets egenskaper varierar med olika temperaturer, då kan forskaren behöva köra 10 experiment vid 10 olika temperaturer. Men temperaturen är bara en parameter. Om det finns fem parametrar, var och en med 10 värden, då måste forskaren köra experimentet 10 x 10 x 10 x 10 x 10 gånger, totalt 100, 000 experiment. Det är nästan omöjligt för en forskare att genomföra så många experiment på grund av de år eller decennier det kan ta, sa Kusne.

Det är där CAMEO kommer in. Förkortning för Closed-Loop Autonomous System for Materials Exploration and Optimization, CAMEO kan säkerställa att varje experiment maximerar vetenskapsmannens kunskap och förståelse, hoppar över experiment som skulle ge redundant information. Att hjälpa forskare att nå sina mål snabbare med färre experiment gör det också möjligt för laboratorier att använda sina begränsade resurser mer effektivt. Men hur kan CAMEO göra detta?

Metoden bakom maskinen

Maskininlärning är en process där datorprogram kan komma åt data och bearbeta dem själva, automatiskt förbättras på egen hand istället för att förlita sig på upprepad träning. Detta är grunden för CAMEO, en självlärande AI som använder förutsägelse och osäkerhet för att avgöra vilket experiment som ska testas härnäst.

Som antyds av dess namn, CAMEO letar efter ett användbart nytt material genom att arbeta i en sluten slinga:Den bestämmer vilket experiment som ska köras på ett material, gör experimentet, och samlar in uppgifterna. Det kan också begära mer information, såsom kristallstrukturen för det önskade materialet, från forskaren innan du kör nästa experiment, som informeras av alla tidigare experiment som utförts i slingan.

"Nyckeln till vårt experiment var att vi kunde släppa loss CAMEO på ett kombinatoriskt bibliotek där vi hade gjort ett stort utbud av material med alla olika sammansättningar, "sade Ichiro Takeuchi, en materialvetenskap och ingenjörsforskare och professor vid University of Maryland. I en vanlig kombinatorisk studie, varje material i arrayen skulle mätas sekventiellt för att leta efter föreningen med de bästa egenskaperna. Även med en snabb mätinställning, det tar lång tid. Med CAMEO, det tog bara en liten bråkdel av det vanliga antalet mätningar för att få hem det bästa materialet.

AI:n är också utformad för att innehålla kunskap om nyckelprinciper, inklusive kunskap om tidigare simuleringar och laboratorieexperiment, hur utrustningen fungerar, och fysiska begrepp. Till exempel, forskarna beväpnade CAMEO med kunskapen om faskartläggning, som beskriver hur arrangemanget av atomer i ett material förändras med kemisk sammansättning och temperatur.

Att förstå hur atomer är ordnade i ett material är viktigt för att bestämma dess egenskaper som hur hårt eller hur elektriskt isolerande det är, och hur väl den är lämpad för en specifik tillämpning.

"AI:n är oövervakad. Många typer av AI behöver tränas eller övervakas. Istället för att be den lära sig fysiska lagar, vi kodar in dem i AI. Du behöver ingen människa för att träna AI, sa Kusne.

Ett av de bästa sätten att ta reda på strukturen hos ett material är att bombardera det med röntgenstrålar, i en teknik som kallas röntgendiffraktion. Genom att identifiera vinklarna vid vilka röntgenstrålar studsar, forskare kan bestämma hur atomer är ordnade i ett material, gör det möjligt för dem att ta reda på dess kristallstruktur. Dock, ett enda internt röntgendiffraktionsexperiment kan ta en timme eller mer. Vid en synkrotronanläggning där en stor maskin lika stor som en fotbollsplan accelererar elektriskt laddade partiklar med nära ljusets hastighet, denna process kan ta 10 sekunder eftersom partiklarna som rör sig snabbt avger ett stort antal röntgenstrålar. Detta är metoden som används i experimenten, som utfördes vid Stanford Synchrotron Radiation Lightsource (SSRL).

Algoritmen är installerad på en dator som ansluter till röntgendiffraktionsutrustningen över ett datanätverk. CAMEO bestämmer vilken materialkomposition som ska studeras nästa genom att välja vilket material röntgenstrålarna fokuserar på för att undersöka dess atomstruktur. Med varje ny iteration, CAMEO lär sig av tidigare mätningar och identifierar nästa material att studera. Detta gör att AI:n kan utforska hur ett material sammansättning påverkar dess struktur och identifiera det bästa materialet för uppgiften.

"Tänk på den här processen som att försöka göra den perfekta kakan, " sa Kusne. "Du blandar olika typer av ingredienser, mjöl, ägg, eller smör, använder en mängd olika recept för att göra den bästa kakan." Med AI, det är att söka igenom "recepten" eller experimenten för att bestämma den bästa sammansättningen för materialet.

Detta tillvägagångssätt är hur CAMEO upptäckte materialet? Ge? _4? Sb? _6? Te? _ (7, ) som gruppen förkortade till GST467. CAMEO fick 177 potentiella material att undersöka, täcker ett stort utbud av sammansättningsrecept. För att komma fram till detta material, CAMEO utförde 19 olika experimentella cykler, som tog 10 timmar, jämfört med de beräknade 90 timmarna skulle det ha tagit en vetenskapsman med hela uppsättningen av 177 material.

Det nya materialet

Materialet består av tre olika element (germanium, antimon och tellur, Ge-Sb-Te) och är ett fasförändringsminnesmaterial, det är, det ändrar sin atomstruktur från kristallint (fast material med atomer i angiven, regelbundna positioner) till amorft (fast material med atomer i slumpmässiga positioner) när det snabbt smälts genom att applicera värme. Denna typ av material används i elektroniska minnesapplikationer såsom datalagring. Även om det finns oändliga variationer i sammansättningen i Ge-Sb-Te-legeringssystemet, det nya materialet GST467 som upptäckts av CAMEO är optimalt för fasförändringstillämpningar.

Forskare ville att CAMEO skulle hitta den bästa Ge-Sb-Te-legeringen, en som hade den största skillnaden i "optisk kontrast" mellan det kristallina och amorfa tillståndet. På en DVD- eller Blu-ray-skiva, till exempel, optisk kontrast gör att en skanningslaser kan läsa skivan genom att skilja mellan områden som har hög eller låg reflektivitet. De fann att GST467 har dubbelt så stor optisk kontrast som? Ge? _2? Sb? _2? Te? _5, ett välkänt material som vanligtvis används för DVD-skivor. Den större kontrasten gör att det nya materialet kan överträffa det gamla materialet med en betydande marginal.

GST467 har också applikationer för fotoniska kopplingsenheter, som styr ljusets riktning i en krets. De kan också tillämpas i neuromorfisk datorer, ett studieområde fokuserat på att utveckla enheter som efterliknar strukturen och funktionen hos nervceller i hjärnan, öppnar möjligheter för nya typer av datorer såväl som andra applikationer som att extrahera användbar data från komplexa bilder.

CAMEOs bredare applikationer

Forskarna tror att CAMEO kan användas för många andra materialapplikationer. Koden för CAMEO är öppen källkod och kommer att vara fritt tillgänglig för användning av forskare och forskare. Och till skillnad från liknande metoder för maskininlärning, CAMEO upptäckte en användbar ny förening genom att fokusera på förhållandet sammansättning-struktur-egenskap för kristallina material. På det här sättet, Algoritmen navigerade upptäcktsförloppet genom att spåra det strukturella ursprunget för ett materials funktioner.

En fördel med CAMEO är att minimera kostnaderna, sedan föreslog, att planera och genomföra experiment vid synkrotronanläggningar kräver tid och pengar. Forskare uppskattar en tiofaldig minskning av tiden för experiment med CAMEO, eftersom antalet utförda experiment kan minskas med en tiondel. Eftersom AI kör mätningarna, samla in data och utföra analysen, detta minskar också mängden kunskap en forskare behöver för att köra experimentet. Allt forskaren måste fokusera på är att köra AI.

En annan fördel är att ge forskare möjlighet att arbeta på distans. "Detta öppnar upp en våg av forskare att fortfarande arbeta och vara produktiva utan att faktiskt vara i labbet, "sa Apurva Mehta, en forskare vid SLAC National Accelerator Laboratory. Detta kan innebära att om forskare ville arbeta med forskning som rör smittsamma sjukdomar eller virus, som covid-19, de kunde göra det säkert och på distans medan de förlitade sig på AI:n för att utföra experimenten i labbet.

Tills vidare, forskare kommer att fortsätta att förbättra AI och försöka göra algoritmerna kapabla att lösa allt mer komplexa problem. "CAMEO har intelligensen som en robotforskare, och den är byggd för att designa, köra och lära av experiment på ett mycket effektivt sätt, sa Kusne.