人工智能技术培训科学文献并加自动化化学平台用于发现和合成无机复合物研究者希望人工智能能加速发现新材料,如可回收塑料和透明导电器等廉价太阳能板
发现强健有利的无机晶体是固态化学基本焦点,但是不自动化识别有前途新材料则具有挑战性和耗时性。
Google DeepMind研究者开发深学习工具GimageNetworks探索(Gnome),培训内容包括由Mecle项目开发的大规模多样性数据集 — — 即2011年能源局LawrenceBerkele国家实验室创建的开放存取数据库 — — 并用它过滤候选结构一号
显示通过主动学习改善Gnome算法,发现220万稳定结构,包括材料项目381,000新分录研究者说,它表示所有先前发现中的 量级扩展
开始管道获取约10%素材 实为稳定阿米尔商机AI居谷歌主研究者训练结束和学习周期结束 效率数字完全达80%
从Gnome计算出的一些数据与素材项目数据并用测试自主实验室设施2
无机化学自动化
并试图搭建实验室自主运行延增市科学家劳伦斯伯克利国家实验室即材料合成, 更具体地说,我们专注于一种特定合成法固态响应 最常用制作素材法 特别是无机素材
A-Lab使用科学文献历史数据、机器学习和主动学习来规划并解释机器人实验结果超过17天独立操作 A-Lab每日执行21项实验,并能够在58次尝试中产生41项新复合物成功率71%
固态合成通常需要一到二天实验.整个过程相当乏味,实验室需要大量时间,数据测量后也需要大量时间分析数据-数据手工测量-效率在这里真正提高约50至100倍-解释Zeng
增联还强调A-Lab比人精度高,使其能够重复相同的实验,误差率低得多,并能够从过去数据中学习通过闭环系统纠正故障研究者表示A-Lab成功率近80%,略微修改决策算法并改进计算技术
这两份文件合在一起代表着我们预测稳定素材并随后在实验室化为物理形式的能力向前迈出了非常重要的一步, 我认为这是一个强力二拳, 真正移动针头在这个重要空间中,马丁伯克伊利诺伊大学Ebloba-Champaign化学家兴趣自动化.
然而,他说两项研究的一个重要限制是,它们不产生新知识真正重要的问题是如何把人工合成和自动化合成之力转换为发现引擎以寻找新功能并发现新知识将是一个令人振奋的问题向前推进
李克罗宁格拉斯哥大学化学教席表示这两份论文都“肯定进步式”。证明如果你有干净工作流程,你可生成新实验思想,这些思想是一致性的论文质量显然高[并促动使用AI和干净数据的想法
但我对如何走得更远感兴趣冒着危险人们会停止实验并继续模拟事物.我们需要看看异常点在哪里-当我们可以用这些发现异常点时会发生很多刺激事件
尚没有备注