逆向设计寻找新材料;纳米材料研发。
用逆向设计寻找新材料
新加坡-麻省理工学院研究与技术联盟(SMART)发现了一种执行一般逆设计的新方法，这种技术可以加快新材料的发现．
逆向设计的概念很简单。假设你想用精选的材料开发产品。在计算机中，你在系统中输入所需的材料和属性。然后，根据麻省理工学院(MIT)与新加坡国家研究基金会(NRF)合作建立的研究企业SMART，系统使用一种算法生成预测的解决方案。
这个概念并不新鲜，在多个领域都有使用。它解决了新材料和化合物开发中的一个重大挑战。传统上，研究人员使用筛选过程来寻找新材料。在某些情况下，他们使用材料属性数据库。然后，使用高性能计算(HPC)，研究人员可以找到正确的公式。
这种蛮力方法是有效的，但这也是一个昂贵且耗时的过程。这就是一般逆设计适用的地方。SMART与新加坡国立大学(NUS)和南洋理工大学(NTU)一起开发了一种新的逆向设计形式。为此，研究人员使用了一种新的机器学习技术，该技术使用一种算法来识别任何表现出特定属性或特征的材料。作为人工智能(AI)的一个子集，机器学习在系统中使用先进的算法来识别数据中的模式，以及学习和预测信息。
在实验室里，来自SMART、新加坡国立大学和南洋理工大学的研究人员使用一组数据来训练算法。研究人员在材料数据库中使用了5万多种化合物。该算法学习并概括了这些材料的化学结构和性质之间的关系。
总而言之，逆向设计加上机器学习，可以预测具有用户目标特性的新化合物或材料。它预测具有目标形成能、带隙和热电功率因子的材料。
在实验室里，研究人员测试了这种方法。据研究人员称，在三个设计案例中，该框架生成了142个具有所需性能的新晶体。
“长期以来，寻找更有效和高效的方法来创建具有用户定义属性的材料或化合物一直是材料科学研究人员的重点。我们的工作展示了一种可行的解决方案，它超越了专门的逆向设计，允许研究人员探索不同成分和结构的潜在材料，从而能够创造更广泛的化合物。这是一个成功的通用逆设计的开创性例子，我们希望在进一步的研究工作中建立在这一成功的基础上，”SMART的研究人员Zekun Ren说。
麻省理工学院机械工程教授托尼奥·布奥纳西(Tonio Buonassisi)说:“材料科学研究人员现在有了一个有效而全面的工具，可以通过简单地输入所需的特性来发现和创造新的化合物和材料。”
新加坡国立大学研究生S. Isaac P. Tian补充说:“在这一旅程的下一步，一个重要的里程碑将是改进算法，以便能够更好地预测稳定性和可制造性。”
纳米材料的研发
西北大学和丰田研究所(TRI)开发了一种新的机器学习算法和库有助于加速新型纳米材料的合成。
该算法与大型定义数据集的结合将使研究人员能够设计出用于清洁能源、化工、汽车和其他应用的新结构。
研究人员开发了一种数据生成工具。这个被称为“巨型图书馆”的工具由数百万个纳米结构组成。每个纳米结构都有独特的形状、结构和组成。
这些结构在2 × 2平方厘米的芯片上进行位置编码。利用聚合物笔光刻技术将结构沉积在芯片上。这是一种大规模并行纳米光刻工具，可以快速在芯片上沉积特征。
在这项研究中，研究人员使用了机器学习闭环实验过程来指导高分子纳米材料的合成。研究人员还使用了巨型图书馆。他们使用这些数据来训练模型，并要求它预测4、5和6种元素的组成，从而形成某种结构特征。
在19次预测中，机器学习模型正确预测了18次新材料，准确率约为95%。
“西北大学拥有合成能力和最先进的表征能力，可以确定我们生成的材料的结构，”西北大学教授查德·米尔金(Chad Mirkin)说。“我们与TRI的人工智能团队合作，为人工智能算法创建数据输入，最终对化学家无法预测的材料做出预测。”
TRI高级研究科学家约瑟夫·蒙托亚(Joseph Montoya)表示:“创造这种人工智能能力是为了能够预测任何应用所需的材料。”“我们拥有的数据越多，预测能力就越强。当你开始训练人工智能时，你首先将它本地化在一个数据集上，随着它的学习，你会不断添加越来越多的数据。”
展望未来，研究人员正在使用这种方法寻找对清洁能源、汽车和化学工业的燃料过程至关重要的催化剂。
|
|
|
|
|
|
|
|
|
|
|
|
这是我见过的最有信息量的分析之一。
与未来微电子学相关
在合成电子功能时，不是通过增加元件(晶体管)的数量密度，而是通过减少每个功能的元件数量。我们在1970年发表的一篇论文中称其为“微型化的功能方法”。它要求利用已知以及未知的物理和生物现象，直接从物理中合成电子功能，而不涉及传统的电路理论方法。