AI机器人会自己动手造新材料了！太阳能电池、催化剂都有了新的“进化”方法

2018年7月，加拿大温哥华不列颠哥伦比亚大学的材料科学家Curtis Berlinguette开始意识到，自己关于改进太阳能电池关键材料的研究，存在太多变量，需要投入太多精力。于是，她开始决定将快速测试迭代工作外包给由人工智能（AI）算法监督的单臂机器人。

这款名为Ada的机器人会将不同的溶液混合在一起，将它们浇铸成薄膜，进行热处理和其他加工步骤，测试了薄膜的电导率，评估了它们的微观结构并记录下结果。然后AI会解释每个实验并确定接下来要合成的内容。

（图文无关）

在上周举行的材料研究协会（MRS）的一次会议上，Berlinguette竟忍不住夸赞起Ada这款机器人来，它简直帮了大忙：该系统迅速适应了配方和加热条件，从而创造了理想的太阳能电池无缺陷薄膜。“（这个过程）过去需要耗掉我们9个月的时间，现在却只需要5天。”Berlinguette表示。

其他材料科学家也报告说，这种“闭环”系统取得了成功，该系统将自动化方面的最新进展与AI结合在一起，从而指导实验应如何进行。其他领域的药物开发商，遗传学家和研究人员已经融合了AI和机器人来设计和进行实验，但是材料科学家却落后了。

事实上，材料学家们完全可以对DNA合成器进行编程以进行“灵活组合”，但由于没有单一的方法可以合成，处理或表征材料，这使得开发可以由AI指导的自动化系统的指数复杂得多。

但现在终于有材料科学家推动了此类系统“上岗秀肌肉”。“这是一个令人兴奋的地区，”俄亥俄州代顿市以东的美国空军研究实验室的材料科学家本吉·丸山（Benji Maruyama）说。她认为，这种闭环系统大大推进了一般材料研究的进展速度。

元素周期表中有100多种元素，并且几乎可以无限地进行不同的组合，由此诞生的可能的材料数量令人望而生畏。

“好消息是这其中有数百万至数十亿种未被发现的材料。”加州门洛帕克斯坦福大学同步辐射光源的材料物理学家阿普尔瓦·梅塔（Apurva Mehta）称。但比较不靠谱的就是，这么一来，发现具有巨大突破性质的材料，概率就没有那么大那么精准了。

不过，现在机器人成为了一大“得力助手”。它们通常会没日没夜地自动去混合数十种略有不同的材料配方，将它们存放在单个晶片或其他平台上，然后同时进行处理和测试。

但是简单地逐个配方地进行配方是实现突破的缓慢途径。“高通量是进行大量实验的一种方式，但带来的却不是大量创新。”

怎么才能发挥出机器人在材料研发中真正的潜力呢？为了加快这一过程，许多团队增加了计算机建模来预测可能的突破性材料的配方。“我们正在从预测中获得大量令人兴奋的材料，”加利福尼亚州劳伦斯·伯克利国家实验室（LBNL）的克里斯汀·佩尔森（Kristin Persson）表示。该项目被称为“材料项目”（Materials Project）。

但是那些系统通常仍然依靠研究生或经验丰富的科学家来评估实验结果并确定如何进行。波士顿大学（BU）的机械工程师基思·布朗（Keith Brown）说：“然而，人们仍然需要做一些事情，例如睡眠和饮食。”

因此，Keith Brown和他的同事建立了一个AI驱动的机器人系统。他们的目标是找到最坚固的3D打印结构。韧性来自于高强度和延展性，即使材料本身不发生变化，韧性也取决于结构的细节。布朗说，预测哪种形状最坚韧是不可行的。“你必须做实验。”

作为测试用例，BU团队着手用塑料制造盐瓶大小的桶形结构。他们改变了构成枪管外壁的支杆的数量以及每个支杆的形状和方向的细节。在这一条件下，测试所有可能的组合（大约50万）仍然是不太现实的。因此，他们最初让他们的机器人制造了600个结构，这些结构对所有选项进行了采样、分析。

然后，该小组添加了一个AI决策算法，该算法可以在每次测试后计算出最可能的次优设计。该程序可以发现赋予韧性的属性趋势，例如每个支柱的厚度和半径，以便预测更坚固的结构。

“我们基本就是每天打开机器，然后就去干自己的事儿了。”Keith Brown表示。“经过24小时，仅进行了60多个设计，AI驱动系统实验设计出来的桶形结构成品，比任何原始设计都要坚固。”

在MRS会议上，他们展示了更多AI机器人闭环机制的操作。麻省理工学院和LBNL的研究人员已经独立开发了自主系统，以开发性能更佳的钙钛矿光伏电池——他们希望开发出一种廉价的轻质材料，有望彻底改变太阳能。宾夕法尼亚州匹兹堡卡内基梅隆大学的一个研究小组则报告说，他们使用另一种AI系统来为锂离子电池找到更安全的携带电荷的电解质，这些电解质一般来说很容易着火。英国利物浦大学的研究人员开发了一套由AI驱动的机器人，以发现新型催化剂，可从水中产生氢气（一种潜在的无碳燃料）。

研究人员承认，在这些项目中，很少有取得惊人成果的。但是，丸山说：“（做结论）还为时过早。”帕萨迪纳加州理工学院的物理学家约翰·格里高雷（John Gregoire）说，挑战之一是材料科学家们自己通常不能就如何最好地将材料的电导率或其他可测试特性与其结构联系起来达成一致观点。他说：“如果我们还没有弄清楚如何在社区中进行分解，那么很难想象我们将如何教计算机来做到这一点。”

另一个问题是，由于标准尚未形成，每个团队都必须设计自己的机器人和软件系统。 “所有人都在探索实现这一目标的不同方法，”纽约福特汉姆大学的计算化学家约书亚·施里尔说。Schrier表示，最终，材料界可能会结合少数系统，以供广大研究人员使用。 “在接下来的一两年中，我认为我们将开始看到事情变得越来越顺利。”