机器学习和人工智能越来越多地被用于材料科学研究。例如,麻省理工学院材料科学与工程副教授Juejun"JJ"胡开发了一种提高基于芯片的光谱仪性能的算法,大西洋里奇菲尔德能源研究副教授Elsa A.Olivetti建立了一个人工智能系统,通过科学论文进行搜索,推断材料科学"食谱"。 这些和麻省理工学院的其他教授,以及主旨发言人,丰田研究所加速材料设计和发现主任布莱恩·斯托里,将在星期三,10月9日在克雷斯格礼堂举行的麻省理工学院材料研究实验室年度材料日研讨会上讨论他们的研究中的洞察力和突破。 胡副教授最近解释了是什么导致了他的突破光谱仪,以及为什么他乐观地认为机器学习和人工智能正在成为材料研究中的日常工具。 Q:你们的光谱仪特别利用机器学习技术。新方法如何改变材料科学中的发现过程? A:基本上,我们开发了一种新的光谱仪技术,使我们能够将大部件缩小到一个小硅片上,并且仍然保持高性能。我们开发了一种算法,使我们能够以更好的信噪比提取信息。我们已经验证了算法的许多不同类型的频谱。该算法通过比较两次重复测量来识别不同颜色的光,以减轻测量噪声的影响。该算法比教科书上的极限,即瑞利极限,提高了100%的分辨率。 Q:你是如何利用机器学习来识别新的光学材料和设计来完成由光学天线阵列组成的中红外透镜的工作的? A:我们正在与马萨诸塞大学的一个小组合作,开发一种设计"元曲面"的深度学习算法,它是一种光学装置,不是使用传统的几何曲率来构造(例如)透镜,而是使用一个特殊设计的光学天线阵列来赋予入射光相位延迟,因此我们可以实现各种功能。元曲面的一个大问题是,传统上,当人们设计这些元曲面时,他们基本上是通过尝试和错误来完成的。 我们设置了深度学习算法..该算法允许我们用现有的数据来训练它。因此,当我们训练它时,最终算法变得"聪明"。该算法可以评估不规则形状的工作性,超出常规形状,如圆和矩形。它可以识别复杂几何与电磁响应之间的隐藏联系,这通常不是微不足道的,它可以比传统的全尺度模拟更快地找到这些隐藏关系。该算法还可以筛选出不起作用的材料和功能的潜在组合。如果你使用传统的方法,你必须浪费大量的时间来耗尽所有可能的设计空间,然后得出这个结论,但现在我们的算法可以很快告诉你。 Q:在材料科学中促进使用机器学习还有哪些进展? A:我们现在看到的另一件事是,我们也可以更容易地利用商业上可用的非常强大的、基于云的计算设施。因此,结合硬件,容易访问,非常强大的计算资源,和新的算法,这是使我们能够作出新的创新。再一次,例如,对于元曲面,如果你看旧的设计,人们几乎使用规则的几何形状,如圆圈,正方形,矩形,但我们,以及社区中的许多其他人,现在都在转向拓扑优化的光学设备。为了设计这些结构,新算法和强大的计算资源的结合是在三维空间中设计宏观、拓扑优化的光学等巨大器件的关键。