人工智能與機器學習技術的發展為材料科學創造了無窮的可能性。

目前，整個材料行業已經是一副“山雨欲來風滿樓”的態勢。下至普通的計算機芯片、太陽能電池板與充電電池，上至高精尖的超導材料與熱電元件，各類新材料的研發工作隨時都有可能迎來重大突破。

這一切都要歸功于人工智能——正是人工智能與機器學習技術的發展為材料科學創造了無窮的可能性。

“巨變隨時都有可能降臨。過去五年來，采用人工智能/機器學習技術的材料科學研究團隊數量出現了大幅增長，相關的科學論文也一直在以指數級水平攀升。“美國國家標準與技術研究院（NIST）材料測量實驗室材料基因組計劃主任詹姆斯·沃倫（James Warren）博士說。

“許多研究成果已經走出了實驗室，開始推動現實社會的進步，但是我認為這只是一個開始。機器學習技術將幫助新材料的開發與改進工作實現‘脫胎換骨’式的改變。”

初露鋒芒

我（注：指文章作者）既不是科學家，也不是工程師。我不得不向那些十分聰明的人詢問一些十分愚蠢的問題才能養家糊口——記者的工作也就是這么一回事。

在我看來，“材料科學”就是一門研究“原料”的學問，同樣，“工程與制造”則意味著要把所有的原料組裝起來。而最終產品的質量取決于原料的質量，以及組裝原料的技術水平。

這就是材料科學對技術進步來說至關重要的原因。想生產性能更強的芯片？先拿出更好的材料再說。想要為自動駕駛汽車或太陽能充電板配備更加高效的電池？答案也是一樣的。

美國斯坦福大學材料科學與工程系助理教授伊萬·里德（Evan Reed）一直在從事電解質方面的研究。在機器學習技術的幫助下，他的團隊在正在為鋰電池尋找更加出色的電解質。

電解質通常由一系列材料組合而成，為不同的材料組合找到“最優解”通常是一項極為困難的任務。

里德教授表示：“我們已經開發出一種機器學習模型，它對材料的預測甚至比專家的直覺還要敏銳。”

廣闊前景

馬里蘭大學科學家瓦倫丁·斯坦涅夫（Valentin Stanev）致力于將機器學習技術引入超導體的研究中。

“迄今為止，所有已知的超導體都已經被我們記錄在案，不過這世界上仍有許多未知的超導體等待我們去發掘。機器學習技術能幫助我們更好地完成這項任務，”他解釋說。

除了超導體研究以外，斯坦涅夫在其他領域也看到了機器學習的巨大潛力——熱電材料（能夠吸收熱量并轉化為電力）就是其中之一。

“在目前的發電過程中，大部分能量都以熱量的形式散失了。如果我們能夠捕捉到這些散失的能量，即便是一小部分也能產生巨大的效益，”他說。

除了超導體和熱電材料之外，科學家們認為機器學習還能夠推動燃料電池儲氫裝置的發展。在醫學領域，機器學習技術可以幫助科學家制造出更好地控制藥物溶解的新材料。除此之外，機器學習還能為“金屬玻璃”（又稱非晶態合金）的研發添磚加瓦。金屬玻璃既有金屬和玻璃的優點，又克服了它們各自的弊病，在多個領域（例如納米管制造）都有廣闊的應用前景。

對于科學研究過程本身來說，機器學習技術也能發揮重要的作用。

“在材料科學的研究過程中，科研人員需要對大量的數據進行分類以及數據擬合處理（data fitting），他們通常只能依靠自己的雙手或者一些簡單的線性模型來完成這些工作，”美國勞倫斯伯克利國家實驗室計算化學博士后研究員夏姆·徳懷克納（Shyam Dwaraknath）解釋說。“機器學習技術不僅能夠大大減輕工作人員的負擔，也能幫助數據處理工作實現質量與效率的全面飛躍。在機器學習技術的幫助下，科學家已經能夠自動生成相圖（phase diagrams），預測新成分結構，甚至讓計算機代替人類分析顯微圖像。

數據才是“靈丹妙藥”

科學家們要走的路還有很長，機器學習以及所謂的“材料科學革命”目前仍然處于襁褓之中。即便是再強大的人工智能也不可能包辦一切科研工作，因此，科學家需要認清機器學習技術的專長與局限。

“從材料的選擇到更加高效的數據分析處理，材料科學界正在積極探索機器學習技術的應用前景，”伊萬·里德說。

夏姆·徳懷克納補充說：“材料科學才剛剛邁入大數據時代。研究人員已經精心建立起了龐大而直觀的數據庫，但是，現實中各種材料的復雜程度遠勝于此。舉例來說，目前互聯網中的數據總量已經達到10^36字節，但這個數字僅僅相當于構成一粒沙子的原子總數。

如何實現材料科學最新理論研究成果的轉化——特別是如何將新材料投入大規模工業生產，是目前另一個懸而未決的問題。

“這就好比是在烘培一款甜品，只知道所需原料和具體的配比是遠遠不夠的，你還必須要掌握詳細的烘焙過程——這才是決定你最后究竟是烤出一塊香噴噴的蛋糕，還是硬邦邦的‘磚頭’的關鍵所在，”詹姆斯·沃倫說。

上升曲線

盡管存在著種種挑戰，但是所有接受采訪的材料科學家都對機器學習技術的發展潛力抱有很高的期待。

瓦倫丁·斯坦涅夫表示，科學家如果在研究中進一步采用機器學習技術，就可以縮短80%的實驗時間。

“你可以在實驗設備中植入一個機器學習工具箱，它將觀察實驗的結果，并通過算法決定下一步將進行何種實驗，進而由此推斷出此后一系列實驗的結果。從某種意義上說，你可能只需要進行10％或20％的實驗就可以掌握研究工作的全貌，“他解釋說。

除此之外，研究人員還可以將實驗的部分控制權轉交給AI系統，讓系統自主決定下一步該怎樣做。

而根據伊萬·里德的說法，機器學習甚至可以用來進行某種“逆向工程”。

“想象這樣一個場景：如果你需要開發一種具有特定屬性的電池，你可以將想要實現的目標輸入到機器學習模型中，系統就會自動對所有已知的材料展開檢索，并列舉出一系列由不同材料組成的電池，以滿足你的需求。”

詹姆斯·沃倫認為，機器學習與材料科學結合的成果或許在轉瞬之間就能來到我們身邊。

“許多技術突破并沒有常人想象中的那樣遙遠，它們也許在幾年之內就能成為現實。研究界的許多同行們都有過這樣一種感受——‘剛才到底發生了什么？’我希望其他人也能與我們感同身受，“在說這番話時，他掩飾不住自己的笑意。

沃倫相信，機器學習是未來材料科學發展的關鍵。在機器學習技術的幫助下，科學家不僅能夠突破現有材料的理論極限，還能進一步發現許多激動人心的新材料。