作者

MIT贾皓钧段辰儒博士

编辑

凯霞

大家可能从小就听说过爱迪生尝试上千种材料作为灯丝，凭着不断试错方法以及永不言弃的精神，最后研发出日用白炽灯的故事——天才靠的是百分之一的灵感和百分之九十九的汗水。

然而，随着科学的进步和现代社会的发展，新型材料的研发变得愈发复杂。现在，研究者经常需要在上百万大小的材料空间同时优化数十个不同的性质，以寻找适用于电池、半导体、催化剂和合金等领域的新材料。如果说爱迪生需要99%的汗水，那现在研究者可能需要99.99%的汗水。

而新型材料的研发历程就有点像人们去「沙滩」上捡「贝壳」，在「沙滩」表面好找的贝壳在大家不断发掘下已经被拾的差不多了，更漂亮的「贝壳」却还埋在在更深的「沙滩」下面。这些「贝壳」可能用传统的方法很难发掘，但AIforScience（简称AI4S）为我们带来了新的可能。

MicrosoftAzureQuantum研究科学家、麻省理工学院（MIT）段辰儒博士在吸光团簇的研发方面遇到了和「爱迪生类似的难题」——寻找吸收长波可见光并且激发态稳定的过渡金属吸光团簇。吸光团簇的发现在现阶段有两大难点，首先其设计空间有三千万个分子，比爱迪生当年大的多。此外，长波可见光吸收与稳定激发态是化学上接近互斥的两个性质，增加了探索难度。

段博士首先使用了「爱迪生式」的随机采样，尝试了两千个分子，发现无一同时满足这两种性质。继续类似探索带来的希望非常有限。于是，段博士带着AI4S的角度重新审视了这个问题：在这两千个分子的数据下建立了机器学习模型来快速预测分子的吸收波长和激发态时长；同时，使用主动学习与贝叶斯优化引导探索这硕大材料空间。在新的探索方式之下，模型找到目标分子的概率随着探索过程的进行迅速增长。达到在五百个分子后，每尝试五个分子，就可以找到一个吸收长波可见光并且激发态时间长的过渡金属吸光团簇。保守估计，这种方法的改进带来了将近倍的加速，相当于将原本三年的研发周期缩短到了一天！段博士的工作也于近期作为封面文章发表在JACSAu。

论文链接：Duanetal.,

转载请注明:http://www.aideyishus.com/lkgx/5915.html