一种用于材料探索和优化的闭环自主系统（CAMEO）

科学家们发现了一种新化合物，可在光子设备和受生物启发的计算机中使用。或者，更确切地说，他们开发了找到它的AI算法，并准备再次这样做。

在关于人工智能可以比我们做的更好的事情（有时会有些令人毛骨悚然的故事）的最新一章中，一个由多个机构组成的团队发布了一种用于材料探索和优化的闭环自主系统（CAMEO）。

与所有此类系统一样，它旨在节省时间和提高准确性（在本例中为实验室），但与其他系统不同，它不需要培训或监督，合著者美国国家标准技术研究院的Aaron Gilad Kusne认为。研究团队在《自然通讯》上发表的论文。

他说：“许多类型的AI需要接受培训或监督。”“我们没有要求它学习物理定律，而是将它们编码为AI。您不需要人工来训练AI。”

在材料科学中，研究人员经常寻找可以用于非常特殊的应用的新材料，这通常涉及大量耗时的实验和理论探索。

CAMEO使用预测和不确定性来确定下一个要尝试的实验，而跳过那些会提供冗余信息的位。

它旨在包含关键原理，过去的模拟和实验室实验，设备的工作方式以及物理概念的知识。例如，研究人员利用相图知识将其武装起来，相图描述了材料中原子的排列如何随化学成分和温度而变化。

“我们实验的关键是我们能够在组合库中释放CAMEO，在该库中我们制作了各种成分各异的材料，”美国马里兰大学的Ichiro Takeuchi说。

在该实验中，CAMEO获得了177种潜在材料进行研究，涵盖了广泛的成分配方。它执行了19个实验周期，耗时10个小时，而使用全套材料的科学家估计需要90个小时。

结果是发现了GST467材料-正式的“ Ge” _4？Sb？_6？Te？_（7）。研究人员认为，这种材料最适合相变应用。

他们说，与类似的机器学习方法不同，CAMEO通过关注结晶材料的成分-结构-性质关系来发现它。通过这种方式，它通过跟踪材料功能的结构起源来导航发现过程。

责任编辑：lq