详细内容或原文请订阅后点击阅览
AI驱动的系统融合了文献，实验和机器人技术，以发现新材料
机器学习模型可以通过做出预测和建议实验来加快新材料的发现。但是，当今大多数模型仅考虑一些特定类型的数据或变量。比较与在协作环境中工作的人类科学家，并考虑实验结果，更广泛的科学文献，成像和结构分析，个人经验或直觉，以及同事和同伴审稿人的投入。
来源:英国物理学家网首页机器学习模型可以通过做出预测和建议实验来加快新材料的发现。但是，当今大多数模型仅考虑一些特定类型的数据或变量。比较与在协作环境中工作的人类科学家，并考虑实验结果，更广泛的科学文献，成像和结构分析，个人经验或直觉，以及同事和同伴审稿人的投入。
现在，麻省理工学院的研究人员开发了一种优化材料食谱和计划实验的方法，该方法结合了来自不同来源的信息，例如文献中的见解，化学成分，微结构图像等。该方法是一个新平台的一部分，名为现实世界实验科学家（Crest）的Copilot，该平台还使用机器人设备进行高通量材料测试，其结果被反馈到大型多模型模型中，以进一步优化材料食谱。
人类的研究人员可以以自然语言与系统交谈，而无需编码，并且该系统在此过程中做出了自己的观察和假设。相机和视觉语言模型还允许系统监视实验，检测问题并提出更正。
“在AI领域的科学领域，关键是设计新的实验，”工程学院Carl Richard Soderberg动力工程教授Ju Li说。 “我们使用多模式反馈 - 例如，从以前的文献中提供了有关钯在该温度和人类反馈中如何表现在燃料电池中的信息，以补充实验数据和设计新实验。我们还使用机器人来综合和表征材料的结构和测试性能。”
发表的论文