详细内容或原文请订阅后点击阅览
团队报告称，实验室之间的差异可能会误导科学人工智能模型
SLAC 国家加速器实验室的科学家与宾夕法尼亚州立大学的两名研究人员一起证明了在构建用于催化剂研究的人工智能模型时生成高度可重复的实验数据的重要性，该框架可以帮助指导将二氧化碳转化为有价值的燃料等反应。
来源:宾夕法尼亚州立大学宾夕法尼亚州大学公园 — 为了将大量的二氧化碳转化为有价值的燃料，研究人员需要一种快速有效的方法来确定哪种催化剂在最长的时间内效果最好。人工智能 (AI) 模型有潜力帮助指导催化剂选择，但与互联网聊天机器人一样，人工智能模型的好坏取决于输入的数据。
通过召集全国各地的四个实验室来测试实验性一氧化碳生产催化剂（将二氧化碳转化为燃料的关键第一步），SLAC 国家加速器实验室的科学家与宾夕法尼亚州立大学的两名研究人员一起，证明了在构建用于科学研究的人工智能模型时生成高度可重复的实验数据的重要性。他们将研究结果发表在《自然催化》杂志上。
“人工智能模型的好坏取决于用于创建它的数据，这些数据无疑来自多个来源，”宾夕法尼亚州立大学化学工程教授、该研究的合著者 Robert Rioux 说。 “这项研究代表了第一个专注于异相催化的循环研究，它量化了实验室之间进行的研究的不确定性，以及这种不确定性将对未来数据驱动的人工智能建模产生的影响。”
利用 AI 加速催化剂开发
借助良好的人工智能模型，研究人员可以输入温度、反应时间长度和催化剂配方等条件，然后运行模拟并查看催化剂性能的预测。然后，他们可以通过一些精心设计的实验来证实这些预测，最终加快催化剂在全球范围内的发现和实施。
AI模型需要大量高质量的数据进行训练。为了生成数据，四个实验室进行了一系列循环实验，其中多个实验室使用先前商定的方案和相同的铑基催化剂进行相同的测试以评估再现性。