图灵汇官网

标题：创新科技引领新材料发现，加速清洁能源与先进产品研发

随着全球自然资源日益枯竭以及市场对更高价值和性能产品需求的激增，科研界正积极转向探索纳米材料领域以寻求突破。然而，传统的实验方法在材料发现过程中遭遇了难以逾越的瓶颈。近期，美国西北大学与丰田研究所（TRI）的科学家们携手，采用机器学习技术革新了这一局面，成功减少了材料发现过程中的障碍。

这项研究以“Machine Learning Accelerated Design and Synthesis of Polyelemental Heterostructures”为题，于2021年12月22日在《Science Advances》杂志上发表，展示了机器学习在材料科学领域的潜力。西北大学的纳米技术专家、该论文的主要作者Chad Mirkin教授指出：“我们利用模型预测了由多种元素混合而成的新型材料的可能性，最终实验验证了模型的预测准确率高达95%。”这一成果不仅揭示了材料科学的全新路径，也预示着人工智能在推动科学发现方面的重要作用。

为了实现这一目标，Mirkin团队开发了一种名为“Megalipary”的数据生成工具，其规模之宏大，能够包含数百万乃至数十亿种不同形状、结构和成分的纳米结构。这些纳米结构被编码在2x2平方厘米的芯片上，极大地拓展了研究人员的探索边界。通过扫描探针嵌段共聚物光刻（SPBCL）技术，Megaliparies得以实现大规模并行纳米光刻，每秒沉积数十万个特定位置的特征。

Megaliparies与机器学习的结合，为材料基因组的绘制提供了前所未有的视角。这一方法不仅能够定义复杂的材料组合，还能通过模拟优化活动，精确预测新材料的性质。在化学家通常依赖直觉和连续实验的领域，机器学习的应用则开辟了一条更为高效、精准的道路。

研究团队通过分析先前生成的、含有复杂成分、结构、尺寸和形态的纳米粒子的Megalipary结构数据，训练机器学习模型预测特定材料结构的组成。在19次预测中，模型准确预测了18次新材料的存在，准确率高达95%，这一成就显示了机器学习在预测未知材料属性方面的惊人能力。

Megaliparies技术的应用不仅限于催化剂的发现，它还可能推动塑料升级回收、太阳能电池、超导体和量子比特等关键领域的材料创新。通过这种方法，科研人员有望加速绿色催化剂的开发，将废弃物和丰富资源转化为有价值的物质，同时减少对昂贵稀缺材料的依赖。

这一研究的突破性进展，不仅标志着人工智能在材料科学领域的重大飞跃，也为未来科学研究提供了新的方向和工具。随着更多科学家加入这一领域的探索，我们有理由期待更多创新成果的涌现，推动能源、环境和工业领域的可持续发展。

阅读原文及更多相关报道，请访问：论文链接 | 相关报道

关注「ScienceAI」公众号，获取更多前沿科技与交叉学科的最新动态。欢迎点赞与分享，共同推动科学进步。