AI算法發現3種新納米結構，研究時間從1個月壓縮到6小時

只用6個小時，發現 新的納米結構。如果使用傳統方法，完成這個任務至少需要1個月。
這一結果發表在Science子刊Advance上。

△掃描電子顯微鏡圖像描繪了AI發現的新型納米結構實驗來自美國能源部（DOE）布魯克黑文國家實驗室，研究人員用 AI驅動的技術，發現了3種新的納米結構。
其中一種的結構還是非常罕見的「階梯」型。
整個過程他們用上叫做gpCAM的算法驅動框架，它可以 自主定義和執行實驗的所有步驟。
數字產品初創公司CEO讀完論文后，大膽放話小蹭了ChatGPT的熱度：
我敢打賭，未來五年里，AI改造工程、材料科學、制藥，會讓ChatGPT的影響力相形見絀。

發現三種新的納米結構新發現三種納米結構，都是通過一種叫 自組裝（self-assembly）的過程形成的。
自組裝是指基本結構單元，比如分子、納米材料、微米等，自發形成有序結構的一種技術。
所形成的結構穩定，且幾何外觀具有一定規則。
布魯克海文功能納米材料中心（CFN）的科學家，也是新研究的作者之一Gregory Doerk解釋：
自組裝材料的特性很小，同時還嚴格控制，使用這個技術，能讓更小的納米圖案提高分辨率。

△共同作者Kevin Yager（左）和Gregory Doerk（右）。
介紹一下CFN，這個機構的工作目標，就是建立一個自組裝納米模式類型的圖書館，來擴大其應用范圍。
此前，研究人員證明通過混合兩種自組裝材料，可以形成新的納米圖案類型。
不過一直以來， 傳統的自組裝只能形成相對簡單的結構，比如如圓柱體、薄片或球體。
但這一次，研究人員發現，三種新納米結構中，有個 階梯結構！
也就是說，一旦使用恰當的化學光柵（分光器），混合兩種自組裝材料是完全可以發現新結構的。
新發現帶來驚喜，也帶來了實驗過程的新挑戰：
整個自組裝過程需要控制許多參數，必須 找到合適的參數組合，才能創建新的且有用的結構。
這個過程往往非常漫長。
為了加速研究，CFN的研究人員引入了一種新的AI能力：
自主實驗。
從1個月加速到6小時完成不妨先聽聽 傳統方法是怎麼來找合適的參數組合的～
首先，研究人員會合成一個樣本，然后測量它，從中學習有用的信息。
然后，再制作一個不同的樣本，測量它，從中學習……
總之就是不斷重復這個過程，直到解決想要解決的問題。
如此單調乏味的重復性工作，為什麼不交給AI試試呢？
其實CFN和同實驗室的科學用戶設施辦公室國家同步加速器光源II （NSLS-II）一直在開發一種AI框架，想讓它可以自動定義和執行實驗的所有步驟。
時間緊迫，CFN最終選擇與美國能源部高等數學能源研究應用中心（CAMERA）合作。
CAMERA的gpCAM算法驅動框架，就可以進行自主決策。合作過程中，gpCAM被用來自主探索 模型的不同特征。
最新研究是團隊 首次成功演示該算法發現新材料的能力。
gpCAM加入后，研究小組首先利用CFN的納米加工設備，制備了一個具有一系列特性的復雜樣本；接著又在CFN的材料合成設備中進行了自組裝，并進行分析。
這個樣品 具有光譜性質，還包含了研究人員感興趣的 每個參數的梯度。
如此一來，單個樣本就成為了許多不同材料結構的巨大集合。
這個樣本被送到NSLS-II，用超亮X射線進行結構研究。

△X 射線散射數據（左）顯示與相應的掃描電子顯微鏡圖像（右）的關鍵領域的樣本
射線運行時，gpCAM在 沒有人為干預的情況下，創建了一個材料的多個不同結構的模型。
gpCAM要做的還有讓測量更具洞察力，簡單來說就是用 AI算法選定下一步該測量的是哪個點位，讓每次測量更準確。

△NSLS-II的軟物質接口 （SMI） 光束線。
從開始到結束，AI算法一共花了6個小時。
假設使用的是傳統方法，研究人員至少得在實驗室里泡一個月。
這6個小時內，算法已經確定了復雜樣本中的 三個關鍵區域。
研究人員利用CFN電子顯微鏡設備對這三個區域進行精確的細節成像，揭示了納米級梯子的納米軌和梯度，以及其他一些新特征。
「自主實驗可以極大地加速發現。」CFN研究員、新研究共同作者Kevin Yager，「這是在‘收緊’科學界通常的發現循環，減少假設和測量之間的時間間隔。」
Yager還說，除速度外，自主實驗還增加了可研究范圍，這意味著現在可以嘗試解決更具挑戰性的科學問題了。
也就是說，自主實驗方法具有自適應性， 可以應用于幾乎所有的研究問題。
研究人員們已經在期待研究多個參數之間復雜的相互作用，對此，你又有什麼期待呢？


[圖擷取自網路，如有疑問請私訊]