德克萨斯农工大学工程学院的一个研究小组bob官方体育appios利用机器学习、数据科学和专家领域知识的力量自主发现新材料。
该团队开发并展示了一个自主和高效的框架，能够最佳地探索材料设计空间(材料设计空间是具象世界的抽象。它是被研究的所有可能的材料的空间，以基本的材料特征为特征)。
一个自主系统或人工智能(AI)代理它被定义为能够构建感兴趣问题的内部表示或模型的任何系统，然后使用该模型做出决策并采取独立于人类参与的行动。
这项跨学科研究的作者是Anjana Talapatra博士和Raymundo Arroyave博士材料科学与工程系的Shahin Boluki，钱晓宁博士和电气与计算机工程系的Edward Dougherty博士。
他们的自主框架能够自适应地选择最好的机器学习模型，以找到适合任何给定标准的最佳材料。他们的研究由美国国家科学基金会和空军科学研究办公室资助，将通过确保寻找合适材料的最大效率，减少从实验室到市场所花费的时间和成本。
基础数学理论有许多应用，包括影响生物医学领域。例如，通过贝叶斯学习和实验设计框架，可以对疾病进行建模，以揭示关键风险因素，从而为特定患者开发有效的治疗方法，并降低人体临床试验的成本。
先进材料对经济安全和人类福祉至关重要，在工业领域的应用旨在应对清洁能源、国家安全和人类福祉方面的挑战，然而，从最初发现到将一种材料推向市场可能需要20年或更长时间。
该团队希望对框架进行详尽的测试，因此他们在一个闭环计算平台上进行了演示，使用量子力学来预测max -相的性质，这是一种有前途的高温应用材料，包括用于喷气式发动机涡轮叶片的新型抗氧化涂层。德州农工大学的研究小组也将该框架应用于发现高温形状记忆合金例如，它可以用来制造具有变形机翼的航空飞行器。
自主创新
前人对高效实验设计技术进行了大量研究。然而，这个团队是第一个使用
“加速探索材料空间，以确定具有最佳性能的配置是一个持续的挑战，”在Arroyave计算材料实验室工作的计算科学家Talapatra说。“目前的模式围绕着通过高通量实验和/或计算来执行这种探索的想法。这些办法没有考虑到现有资源的限制。我们通过将材料发现作为最佳实验设计来解决这个问题。”
本研究提出的方法是灵活的，适用于不同的研究情况。值得注意的是，Talapatra和Boluki的算法可以使用非常少的初始数据，使其成为新材料研究的理想选择。
与该领域之前的工作相比，该算法代表了更聪明的进步。其他算法迫使人们从一个预定义的模型开始，这在实验中引入了一个约束，并可能使结果倾斜。“我们的算法可以自动和自主决定哪个模型是最好的模型n模型，在任何给定的时间，取决于所获得的数据，”Talapatra说。自主计算机程序减少了步骤的数量，限制了有限资源的使用。由于它可以从最少两个实验作为初始数据点开始，因此该算法非常适合优化初始实验和识别最佳前进路径。
它可以被实验学家用作一步工具，简单地决定下一个要探索的材料，或者作为纯粹的计算工具，取代昂贵的计算模型，降低计算成本。它也可以用于实验和计算的组合设置。至少，这个框架提供了一种非常有效的方法来构建初始数据集，因为它可以用于指导实验或计算，重点是在材料设计空间的那些部分收集数据，这将导致实现最佳材料的最有效路径。
Talapatra说:“通常情况下，材料研究是以一种非常特别的方式进行的，偶然发现往往是规律，而不是例外。”“问题是你通常不知道背后的基本物理原理
博卢基说:“我们在(人工智能)模型中尽可能多地加入了科学。”博卢基是一名博士生，他将在明年秋天为自己的论文进行答辩。Boluki和Talapatra作为项目的实现者，一起用python进行编码。
本文介绍了该算法
从细胞病理学到材料科学:数学基础
2011年，钱学森和多尔蒂开始合作，加强生物医学研究中的实验设计。他们利用数学模型来观察细胞何时进入肿瘤阶段。
同年，联邦政策制定者宣布了“材料基因组计划”(Materials Genome Initiative)，旨在通过结合计算和实验工具以及数字数据，加速发现新的先进材料。在过去的八年里，在全国范围内，大量的时间、金钱和资源已经投入到这项工作中。
“当其他人专注于生成和分析大量数据时，我们意识到最好的方法是专注于实验设计- - - - - -如何探索可能的材料的广阔领域，并通过选择具有目标、目标属性或反应的材料来增加我们成功的机会，”Talapatra说。
他们的研究发表在《物理评论材料》杂志上的论文《贝叶斯模型平均材料发现的自主高效实验设计》上。