欧美精产国品一区二区区别 ,乡野欲潮:绝色村妇,圈养调教(粗口h)文

【機器學習+材料】Nat. Rev. Mater.：AI解放人類雙手，加速實現新材料的研發

主動學習和自動化是否可以將人類從實驗室工作流程中解放出來？在真正影響材料的研發之前，人工智能系統可能需要精確的設置，以確保其強大的運行能力，以及處理認知和隨機錯誤的能力。隨著自主實驗的廣泛應用，如何在自主實驗室的設計中嵌入可重復性、可重構性和互操作性是至關重要的。基于此，麻省理工學院Tonio Buonassisi和Ju Li等人在Nature Reviews Materials發表Comment文章，提出了兩個觀點：解決認知錯誤與構建互聯的人工智能實驗室。

研究背景

新材料的發現是一個勞動密集型的過程，正如愛迪生為了發明白熾燈泡測試了數千根燈絲。如今，結合機器人和主動學習的自動化模式出現了。在預算和空間有限的情況下，構建完全自動化的實驗平臺是具有挑戰性的，但卻可以嘗試從半自動化的工作流程上進行（如在儀器之間手動轉移樣品陣列）。使用高斯過程回歸和貝葉斯優化及其變體的主動學習方法，已經可以出色地管理多種類型的過程優化。

正如養育孩子需要幾十年的時間和不同種類的課程一樣，我們不應該期望在有限的知識基礎上進行主動學習驅動的實驗。教一個蹣跚學步的孩子走路需要大量的握手和交流，人們應該期待主動學習和人工智能（AI）驅動的實驗也是如此——即使有一個看似強大的自動化管道，也需要大量的外部指導。

圖1：在AI網絡中的自主實驗室。隨著AI系統能力的不斷增強以及預算和物理空間的限制，采用模塊化云實驗室設施可能是有利的。這些可以在一些荒地上進行大規模實施。這些設施允許靈活的重新配置和設備鏈的互連，確保跨多個自主實驗室的互操作性。數字流和質量流是兩個最關鍵的流：多個AI代理通過統一的網絡交換信息，而在物理領域，許多輪式機器人和無人機作為物理樣本運輸的推進劑。來自全球任何角落的研究人員都可以遠程訪問該系統，他們以人類語言給出的命令可以被解析成子任務，并通過大型語言模型進行分發。

解決認知錯誤

獲得長期可重現數據集的能力是一個成熟的機器人平臺有資格進行主動學習的標志。當一個實驗重復兩次并產生不同的結果時，這種差異來自兩個來源：偶然誤差和認知錯誤。偶然誤差源于隨機性，由于可以通過自動化來消除，并且可以通過高斯過程噪聲核來推斷，因此更容易處理。相反，認知錯誤可能會對由主動學習算法驅動的自主實驗造成嚴重破壞。例如，在機器人平臺上，有一段時間，研究人員會發現從一個簡單的自動化液滴鑄造過程中制備的碳紙基樣品的性能有很大的變化。這個問題沒有得到解決，直到研究人員注意到碳基板可能是各向異性的，這意味著切割碳基板的方式是一個重要的變量。

有人可能會問，為什么可重復性對主動學習特別重要。做手工實驗的實驗者不也面臨這個問題嗎？答案是肯定的，但人類豐富的經驗和流體智力大大減輕了這種擔憂。想象一下，一個學生發現了一個合成配方，重復了10次，10次中有2次得到了非常令人興奮的結果。學生將做什么？誤差條太大，無法公布結果，因此學生會和指導老師討論，以多種方式調整設置，最終找出統計異常背后的原因（例如，可能是中間反應產物的多余水分含量）。

統計異常源于我們無法識別導致結果的所有潛在變量，如果它們被忽視而不去做調研，就會導致不可重復性。《自然》雜志的一項調查顯示，文獻中不可復制的主要原因是選擇性報道。如果一個人在不確定誤差條的來源的情況下魯莽地啟動一個主動學習項目，那么這種努力可能會浪費大量的時間和金錢。該算法會錯誤地將虛假噪聲視為信號，從而給出糟糕的建議，就類似于“無效輸入，無效輸出”。

另一面是，如果仔細糾正認知錯誤，可能會導致奇妙的科學發現（例如，青霉素的發現是由于未能培養出意外受到真菌污染的細菌培養物）。人類非常擅長扭轉“實驗失敗”，因為我們有非凡的因果推理能力（“一旦你排除了不可能，剩下的，不管多么不可能，一定是真相”，引用夏洛克·福爾摩斯的話）。這與基本的主動學習方法不同，因為它們對世界的看法過于簡單，沒有太多的先驗物理知識。

與傳統的機器學習技術不同，像ChatGPT這樣的大型語言模型可以用來生成完備的科學假設。在未來，將使用更廣泛和更深入的實驗室自動化來實驗測試這些機器生成的假設，這可能能夠解釋認知錯誤。例如，一個合成過程可以在不同的可控大氣室中自動化地重復，以了解不同氣體對分壓的依賴。計算機視覺領域也逐漸融入了自動化的實驗，計算機視覺在某些任務上的表現已經超過了人類的視覺，計算機視覺能夠比人類更細致地跟蹤實驗室條件（如濕度、輻射背景、材料的紋理和不均勻性），并且有了一個關于物質世界如何運作的龐大的先驗知識庫，具有多模態傳感器的AI系統能夠找出認知錯誤的合理原因并通過實驗調試工作流程只是時間問題。大型語言模型加上具有廣義感覺運動功能的強化學習和下面描述的“新控制論”可能是實驗室自動化革命的下一個階段。

走向互聯的人工智能驅動實驗室

隨著AI系統變得越來越復雜和強大，在預算和空間上限制就要求人類必須使用模塊化云實驗室設施（如圖1所示），以便設備鏈可以重新編譯和重新鏈接，并確保多個自主實驗室之間的互操作性。這就需要一個AI網絡系統，包括實驗和理論，來實現勞動分工、經濟規?；椭坪庀到y。

當今用于材料合成、表征和性能測試的商用設備在設計時只考慮到人類用戶。未來，自主實驗室將要求每個設備都有兩個接口，一個是物聯網AI系統的主接口，另一個是人類訪問接口。每個設備的操作類似于軟件庫中的子程序，具有嚴格定義的物理樣本的輸入/輸出規范。模塊化設備的柔性鏈將被設計成能夠快速、自動地重新配置（拆卸和重新組裝）。值得注意的是，可重構性并不總是需要物理移動設備來形成裝配線，因為輪式機器人和小型飛行無人機可以用來在模塊之間轉移樣品。

盡管自20世紀50年代以來，人們就設想并開發了自主材料發現實驗室，但迄今為止，真正的成功相對較少。在學術機構，建立每個實驗室的預算被限制在幾百萬美元或更少。這意味著對識別認知錯誤和在應對工作流程中的快速變化時準備不足。人類一旦懷疑有什么不尋常的東西，可以離開他們的舒適區，讓同事在校園的不同設施之間走動，進行補充測量，而今天的自主實驗室仍然往往太小，還不具備這種靈活性。

為了克服這個問題，自主實驗室需要共同努力。我們需要允許AI代理通過通用的樣本傳輸和數據傳輸程序相互通信。這將允許自治實驗室A將物理樣本發送到自治實驗室B，并附帶相關的元數據。也需要開發用于轉移液體、粉末、凝膠、顆粒和單晶材料的標準化膠囊，它們需要與易于稱重和加工、光學和化學表征的技術兼容，并且需要防止污染。我們還需要專門為靈活自動化設計構建基礎設施，可以為機器人和人類研究人員的一起工作構建全新的架構。

AI時代已經來臨。為了充分釋放AI在實驗研究和材料發現方面的潛力，為硅基智能配備“手”（材料合成、設備自組裝/拆卸和樣品轉移）和“眼”（材料表征和多模態傳感）至關重要。構建一個強大的AI系統實現對現實世界的反饋當然不是一件容易的事。但是，隨著AI實驗室的建立和相互連接，以及標準化接口和硬件模塊中的專有技術在全球范圍內廣泛共享，強大的AI支持的靈活而強大的實驗工作流程可能會徹底改變材料研究。

文獻信息

Zhichu Ren, Zekun Ren, Zhen Zhang, Tonio Buonassisi & Ju Li. Inverse Autonomous experiments using active learning and AI. Nature Reviews Materials (2023).

https://doi.org/10.1038/s41578-023-00588-4

原創文章，作者：計算搬磚工程師，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2024/01/26/436a9f3fc3/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

【機器學習+材料】Nat. Rev. Mater.：AI解放人類雙手，加速實現新材料的研發

相關推薦

【機器學習+材料】Nat. Rev. Mater.：AI解放人類雙手，加速實現新材料的研發