機器學習和人工智能正越來越多地用于材料科學研究。例如，麻省理工學院材料科學與工程系副教授Juejun“ JJ” Hu開發了一種算法，該算法可以增強基于芯片的光譜儀的性能，而大西洋Richfield能源研究副教授Elsa A. Olivetti則建立了一個人工智能系統通過科學論文來推論材料科學的“配方”。

麻省理工學院的這些教授和其他教授，以及豐田研究院加速材料設計和發現總監布萊恩·斯托里(Brian Storey)作主題演講，將于10月10日星期三在麻省理工學院材料研究實驗室的年度材料日研討會上討論使用機器學習進行研究的見解和突破。 9在克雷奇禮堂。

胡副教授最近解釋了導致他的光譜儀取得突破的原因，以及為什么他對機器學習和人工智能正在成為材料研究中的日常工具感到樂觀。

問：您的光譜儀工作特別利用了機器學習技術。新方法如何改變材料科學中的發現過程?

答：基本上，我們開發了一種新的光譜儀技術，該技術使我們能夠將大型組件縮小到一個小的硅芯片上，并且仍然保持高性能。我們開發了一種算法，使我們能夠以更好的信噪比提取信息。我們已經針對許多不同種類的光譜驗證了該算法。該算法通過比較兩個重復的測量值以減輕測量噪聲的影響，從而識別出單獨的光色。與教科書限制(稱為Rayleigh限制)相比，該算法將分辨率提高了100%。

問：您如何使用機器學習來識別用于由光學天線陣列組成的中紅外透鏡的新光學材料和設計?

答：我們正在與馬薩諸塞大學UMass的一個小組合作，開發一種用于設計“元表面”的深度學習算法，“元表面”是一種光學設備，無需使用傳統的幾何曲率來構造透鏡，您使用一系列專門設計的光學天線來對入射光施加相位延遲，因此我們可以實現所有功能。超穎表面的一個大問題是，按照慣例，當人們設計這些超穎表面時，他們基本上會通過反復試驗來做到這一點。

我們已經建立了深度學習算法。該算法允許我們使用現有數據對其進行訓練。因此，當我們對其進行訓練時，最終該算法將變得“智能”。該算法可以評估不規則形狀的可加工性，這些形狀超出了常規形狀(例如圓形和矩形)的范圍。它可以識別復雜的幾何形狀和電磁響應之間的隱藏連接，通常這并不容易，而且比傳統的滿量程模擬可以更快地找到這些隱藏的關系。該算法還可以篩選出無法使用的材料和功能的潛在組合。如果使用常規方法，則必須浪費大量時間來耗盡所有可能的設計空間，然后得出結論，但是現在我們的算法可以很快告訴您。

問：在材料科學中促進使用機器學習還有哪些其他進展?

答：我們看到的另一件事是，現在我們也可以更輕松地訪問非常強大的基于云的商業化計算設施。因此，硬件，易于訪問，非常強大的計算資源和新算法的結合使我們能夠進行新的創新。再說一次，例如，在超表面上，如果您看一下舊的設計，人們幾乎都在使用規則的幾何圖形，例如圓形，正方形，矩形，但是我們以及社區中的許多其他人現在都在轉向拓撲優化的光學設備。為了設計這些結構，新算法和強大的計算資源的結合是在三維空間中設計大型設備(如宏觀的，拓撲優化的光學器件)的關鍵。