鑽石舞台

電池技術領域就是一個可以從材料發現中受益的例子。機器學習已被用於預測可充電電池的性能，但仍受限於數據集的大小和模型的無監督性，以及其他方面的挑戰。

在最近發表在Macromolecular Rapid Communications上的一篇文章中，東京早稻田大學的研究人員與Fujitsu合作，利用機器學習更有效地找到了用於Li+電池的候選聚合物材料。

"人工智能可以預測具有優選參數的新材料結構，"早稻田大學應用化學系研究員、論文第一作者Kan Hatakeyama-Sato說。"然而，大多數候選結構都不符合實際應用的標準，例如合成的簡易性、穩定性和可加工性。"

作者認為，僅僅使用人工智能來評估候選材料是很困難的，因為人工智能並不具備專家所擁有的知識，即材料應該具備哪些可取的參數。

Hatakeyama-Sato和他的團隊研究了發現新電池材料的自動化過程的某些限制，並思考如何通過一點點專家的幫助來克服這些限制。

Hatakeyama-Sato表示，"他們訓練系統來學習可實用材料的特徵，而不是把材料的每個探索標準教給人工智能。人工智能通過輸入現有材料的分子結構（基於無監督的機器學習）學習它們的基本特徵。在現有材料種類的啟發下，該系統可以創造出具有卓越性能的前所未有的材料結構。這個過程有點像由研究專家利用廣泛的材料經驗來設計新材料"。

一旦機器得出了它的候選材料清單，這些材料就會通過使用一種叫做數字退火器的新硬件進行探索，這種強大的計算系統使研究人員能夠有效地探索候選材料是否適合作為電池材料。

"AI系統設計了一種新的離子傳導聚合物，"Hatakeyama-Sato說。"該材料提供了良好的導電性，同時具備了固態電解質的標準，如化學穩定性、熱穩定性、機械堅固性和適當的可溶性。"

材料科學將從結構設計過程的更有效、更複雜的自動化中獲益，特別是對於有機材料。研究人員認為，他們的系統使我們離這個目標更近了一步。而在下一步，人工智能不僅能告訴我們理想的最終產品材料，而且能提供製備它們所需的合成路線。

"有機材料由於其複雜的結構，很難通過計算來完成設計，"Hatakeyama-Sato總結說。"然而，正如目前的結果所表明的，新的算法和硬件正在逐漸為完全自動化的材料設計開闢道路。"