AI材料可自我学习并形成“肌肉记忆”

AI材料可自我学习并形成“肌肉记忆”就像一个不用看琴键就能熟练弹奏的钢琴家，美国加州大学洛杉矶分校的机械工程师设计出了一种新的材料，可随着时间的推移学习行为并发展出它自己的“肌肉记忆”，允许实时适应不断变化的外力。该材料由一个具有可调梁的结构系统组成，能根据动态条件改变其形状和行为。这项研究19日发表在《科学·机器人》上。PC版：https://www.cnbeta.com/articles/soft/1329347.htm手机版：https://m.cnbeta.com/view/1329347.htm

麻省理工学院的人工智能学习分子语言以实现快速材料开发和药物发现

麻省理工学院的人工智能学习分子语言以实现快速材料开发和药物发现为了教会机器学习模型预测分子的生物或机械特性，研究人员必须向其展示数百万个标记的分子结构--这一过程被称为训练。由于发现分子所需的费用以及对数百万个结构进行手工标注所面临的挑战，通常很难获得大型训练数据集，这限制了机器学习方法的有效性。相比之下，麻省理工学院研究人员创建的系统只需少量数据就能有效预测分子特性。他们的系统从根本上理解了决定构件如何结合产生有效分子的规则。这些规则捕捉分子结构之间的相似性，帮助系统以数据高效的方式生成新分子并预测其性质。这种方法在小型和大型数据集上的表现都优于其他机器学习方法，当给定的数据集样本少于100个时，它能够准确预测分子性质并生成可行的分子。麻省理工学院和麻省理工学院-沃森人工智能实验室的研究人员开发了一种统一框架，利用机器学习同时预测分子性质并生成新分子，只需使用少量数据进行训练。图片来源：Jose-LuisOlivares/麻省理工学院"我们这个项目的目标是使用一些数据驱动的方法来加速新分子的发现，这样就可以训练一个模型来做预测，而不需要所有这些成本高昂的实验，"领衔作者、计算机科学与电子工程（EECS）研究生郭明浩（音译）说。郭明皓的共同作者包括MIT-IBM沃森人工智能实验室的研究人员VeronikaThost、PayelDas和JieChen；MIT应届毕业生SamuelSong23和AdithyaBalachandran23；资深作者WojciechMatusik，他是电气工程和计算机科学教授，也是MIT-IBM沃森人工智能实验室的成员，领导着MIT计算机科学和人工智能实验室（CSAIL）的计算设计和制造小组。该研究成果将在国际机器学习大会（InternationalConferenceforMachineLearning）上发表。学习分子语言为了使机器学习模型达到最佳效果，科学家们需要包含数百万个分子的训练数据集，这些分子与他们希望发现的分子具有相似的性质。在现实中，这些特定领域的数据集通常非常小。因此，研究人员使用在大型通用分子数据集上预先训练好的模型，然后将其应用于更小的、有针对性的数据集。然而，由于这些模型没有获得太多特定领域的知识，它们的表现往往很差。麻省理工学院的研究小组采取了不同的方法。他们创建了一个机器学习系统，该系统仅使用一个小型的特定领域数据集，就能自动学习分子的"语言"--即所谓的分子语法。它利用这种语法构建可行的分子并预测其特性。在语言理论中，人们根据一套语法规则生成单词、句子或段落。您可以用同样的方式来理解分子语法。这是一套生产规则，规定如何通过原子和亚结构的组合生成分子或聚合物。就像语言语法可以使用相同的规则生成大量句子一样，一个分子语法可以代表大量分子。具有相似结构的分子使用相同的语法生成规则，系统通过学习来理解这些相似性。由于结构相似的分子往往具有相似的性质，系统利用其分子相似性的基础知识，更有效地预测新分子的性质。郭说："一旦我们有了这个语法作为所有不同分子的表征，我们就可以用它来促进性质预测过程。"该系统利用强化学习来学习分子语法的生产规则--在这个试错过程中，模型会因为更接近实现目标的行为而获得奖励。但是，由于原子和子结构的组合方式可能有数十亿种，因此学习语法生成规则的过程对于最微小的数据集来说计算成本太高。研究人员将分子语法解耦为两部分。第一部分称为元语法（metagrammar），是一种通用的、广泛适用的语法，由他们手工设计并在一开始就提供给系统。然后，它只需要从领域数据集中学习更小的特定分子语法。这种分层方法加快了学习过程。小数据集，大成果在实验中，研究人员的新系统同时生成了可行的分子和聚合物，并比几种流行的机器学习方法更准确地预测了它们的性质，即使特定领域的数据集只有几百个样本。其他一些方法还需要昂贵的预训练步骤，而新系统避免了这一步骤。该技术在预测聚合物的物理性质方面尤其有效，例如玻璃化转变温度，即材料从固态转变为液态所需的温度。由于实验需要极高的温度和压力，手动获取这一信息往往成本极高。为了进一步推动他们的方法，研究人员将一个训练集减少了一半以上--仅有94个样本。他们的模型仍然取得了与使用整个数据集训练的方法相当的结果。"这种基于语法的表示方法非常强大。由于语法本身是一种非常通用的表示方法，因此它可以被部署到不同类型的图形式数据中。我们正试图确定化学或材料科学以外的其他应用，"郭说。未来，他们还希望将目前的分子语法扩展到分子和聚合物的三维几何图形，这是理解聚合物链之间相互作用的关键。他们还在开发一个界面，向用户显示学习到的语法生成规则，并征求反馈意见以纠正可能错误的规则，从而提高系统的准确性。...PC版：https://www.cnbeta.com.tw/articles/soft/1370825.htm手机版：https://m.cnbeta.com.tw/view/1370825.htm

麻省理工学院的人工智能系统可通过表面观察来揭示材料的内部结构

麻省理工学院的人工智能系统可通过表面观察来揭示材料的内部结构通常我们无法从封面上看完一本书，但是根据麻省理工学院的研究人员，你现在可能能够对各种材料做同样的检查，从飞机零件到医疗植入物。他们的新方法使工程师们能够仅仅通过观察材料表面的属性来弄清楚内部发生了什么。该团队使用一种被称为深度学习的机器学习来比较关于材料的外部力场和相应的内部结构的大量模拟数据，并利用这些数据生成一个能够从表面数据对内部进行可靠预测的系统。该成果发表在《先进材料》杂志上，由博士生杨振泽和土木与环境工程教授MarkusBuehler撰写的论文。"这是工程中一个非常常见的问题，"Buehler解释说。"如果你有一块材料--也许是汽车上的一扇门或飞机上的一块--你想知道该材料的内部情况，你可能会通过拍摄图像和计算有多少变形来测量表面的应变情况。但你不能真正看清材料的内部。你唯一能做的是通过切割它，然后看里面，观察里面是否有任何形式的损坏。"新方法的一个潜在应用是无损检测；例如，你不再需要打开一个金属管道就可以检测缺陷。他说："使用X射线和其他技术也是可能的，但这些往往是昂贵的，需要笨重的设备。因此，我们所做的基本上是提出了一个问题：我们能不能开发一种人工智能算法，可以看看表面发生了什么，我们可以很容易地使用显微镜或拍照看到，或者也许只是测量材料表面的东西，然后试图弄清楚内部实际发生了什么？这种内部信息可能包括材料中的任何损坏、裂缝或应力，或其内部微观结构的细节。"他补充说，同样的问题也可以适用于生物组织。"那里是否有疾病，或者组织中的某种生长或变化？我们的目标是开发一个能够以完全无创的方式回答这类问题的系统。"Buehler说，实现这一目标需要解决复杂的问题，包括"许多这样的问题有多种解决方案"这一事实。例如，许多不同的内部配置可能表现出相同的表面特性。为了处理这种模糊性，"我们创造了一些方法，可以给我们提供所有的可能性，所有的选择，基本上，可能会导致这种特定的[表面]情况。"他们开发的技术涉及使用关于表面测量和与之相关的内部属性的大量数据训练一个人工智能模型。这不仅包括统一的材料，还包括不同材料组合的材料。"一些新的飞机是由复合材料制成的，所以它们有刻意的设计，有不同的阶段，"Buehler说。"当然，在生物学中也是如此，任何一种生物材料都是由多种成分组成的，它们具有非常不同的特性，比如在骨骼中，你有非常柔软的蛋白质，然后你有非常坚硬的矿物物质。"这种技术甚至对那些复杂程度不完全了解的材料也有效。"对于复杂的生物组织，我们并不确切了解它的行为方式，但我们可以测量其行为。我们没有这方面的理论，但如果我们有足够的数据收集，我们可以训练模型。"其开发的观察方法是广泛适用的。"它不仅仅局限于固体力学问题，还可以应用于不同的工程学科，如流体力学和其他类型。"Buehler补充说，它可以应用于确定各种属性，不仅仅是应力和应变，还有流体场或磁场，例如聚变反应堆内的磁场。它"非常通用，不仅适用于不同的材料，也适用于不同的学科"。最初开始考虑这种方法时是在研究一种材料的数据时，他们所使用的部分图像是模糊的，研究人员想知道如何可能"填补"模糊区域的缺失数据的空白。"我们如何才能恢复这些缺失的信息？"进一步研究后，发现这通常会是一个普遍存在的问题的例子，被称为逆向问题，即试图恢复缺失的信息。开发该方法涉及一个迭代过程，让模型进行初步预测，与有关材料的实际数据进行比较，然后进一步微调模型以匹配这些信息。由此产生的模型针对那些对材料有足够了解从而能够计算出真正的内部属性的情况进行了测试，新方法的预测与这些计算出的属性相吻合。训练数据包括表面的图像，但也包括各种其他类型的表面属性测量，包括应力、电场和磁场。在许多情况下，研究人员根据对特定材料的基本结构的理解，使用模拟数据。而且，即使当一种新材料有许多未知的特性时，该方法仍然可以产生一个近似值，足以为工程师提供一个大方向的指导，即如何进行进一步测量。作为如何应用这种方法的一个例子，Buehler指出，今天，飞机经常通过用昂贵的方法（如X射线）测试一些有代表性的区域来进行检查，因为测试整架飞机是不现实的。"这是一种不同的方法，你有一种成本更低的方法来收集数据并进行预测，"Buehler说。"从中你可以做出决定，你想去哪里看，也许会使用更昂贵的设备来测试。"这种通过GitHub网站免费提供给任何人使用的方法将主要应用于实验室环境，例如测试用于软机器人应用的材料。对于这类材料，他说："我们可以测量表面的东西，但我们不知道材料内部发生了什么，因为它是由水凝胶或蛋白质或生物材料制成的执行器，而且没有这方面的理论。因此，这是一个研究人员可以利用我们的技术对内部情况进行预测的领域，也许可以设计出更好的抓取器或更好的复合材料，"他补充说。...PC版：https://www.cnbeta.com.tw/articles/soft/1361719.htm手机版：https://m.cnbeta.com.tw/view/1361719.htm

磁铁的魔力 - 人工智能如何革新材料发现的方式

磁铁的魔力-人工智能如何革新材料发现的方式艾姆斯国家实验室（AmesNationalLaboratory）的科学家们设计出一种机器学习模型，可以在不使用稀缺元素的情况下预测新型磁体材料。这种以材料居里温度为重点的创新方法为未来的技术应用提供了一条更具可持续性的道路。高性能磁体的重要性高性能磁体对于风能、数据存储、电动汽车和磁制冷等技术至关重要。这些磁体包含钴和稀土元素（如钕和镝）等关键材料。这些材料需求量大，但供应有限。这种情况促使研究人员想方设法设计出减少关键材料的新型磁性材料。磁铁照片资料来源：美国能源部埃姆斯国家实验室机器学习的作用机器学习（ML）是人工智能的一种形式。它由计算机算法驱动，利用数据和试错算法不断改进预测结果。研究小组利用居里温度的实验数据和理论建模来训练ML算法。居里温度是材料保持磁性的最高温度。"找到居里温度高的化合物是发现能在高温下保持磁性的材料的重要第一步，"艾姆斯实验室科学家、研究团队高级负责人雅罗斯拉夫-穆德里克（YaroslavMudryk）说。"这方面不仅对永磁体的设计至关重要，而且对其他功能磁性材料的设计也至关重要。"穆德里克认为，发现新材料是一项具有挑战性的活动，因为传统上是通过实验来寻找新材料，这既昂贵又耗时。然而，使用ML方法可以节省时间和资源。艾姆斯实验室科学家、研究小组成员普拉桑特-辛格（PrashantSingh）解释说，这项工作的主要部分是利用基础科学开发一个ML模型。研究小组利用实验已知的磁性材料训练他们的ML模型。这些材料的相关信息确定了若干电子和原子结构特征与居里温度之间的关系。这些模式为计算机寻找潜在候选材料提供了基础。模型测试和验证为了验证模型，研究小组使用了基于铈、锆和铁的化合物。这个想法是由艾姆斯实验室的科学家、研究小组成员安德烈-帕拉修克（AndriyPalasyuk）提出的。他希望重点研究基于地球丰富元素的未知磁体材料。帕拉修克说："下一个超级磁铁不仅要性能卓越，还要依赖丰富的国产元件。"帕拉修克与艾姆斯实验室的另一位科学家、研究小组成员泰勒-德尔-罗斯（TylerDelRose）合作，对合金进行了合成和表征。他们发现，ML模型成功地预测了候选材料的居里温度。这一成功是为未来技术应用设计新型永磁体的高通量方法迈出的重要的第一步。辛格说："我们正在为可持续发展的未来编写物理信息机器学习。"...PC版：https://www.cnbeta.com.tw/articles/soft/1382473.htm手机版：https://m.cnbeta.com.tw/view/1382473.htm

人工智能设计的合成骨骼有望变革未来的骨科手术

人工智能设计的合成骨骼有望变革未来的骨科手术在最近的一项研究中，研究人员利用机器学习、优化、3D打印和应力实验，开发出一种可复制人类骨骼功能的材料，用于骨科股骨修复，揭示了这种复杂关系的奥秘。伊利诺伊大学厄巴纳-香槟分校的研究人员展示了这种新型生物启发材料的三维打印树脂原型，图中的原型附着在人体股骨骨折的合成模型上。图片来源：FredZwicky股骨骨折修复的挑战股骨（上肢的长骨）骨折是一种常见的人体损伤，在老年人中十分普遍。断裂的边缘导致应力集中在裂缝尖端，增加了骨折延长的几率。修复股骨骨折的传统方法通常是通过外科手术，用螺钉将金属板固定在骨折处，这可能会导致松动、慢性疼痛和进一步损伤。研究生贾颖琦（左）和教授张雪莉利用机器学习和三维打印技术制造出一种新型生物启发材料，这种材料可能会改善骨折愈合的传统方法。图片来源：FredZwicky骨科修复的创新方法这项研究由伊利诺伊大学厄巴纳-香槟分校土木与环境工程系教授谢利-张（ShellyZhang）、研究生贾颖琦（音译）和北京大学教授刘克（音译）共同领导。他们的研究成果发表在《自然-通讯》（NatureCommunications）上，介绍了一种创新的骨科修复方法，该方法利用完全可控的计算框架来生产一种模仿骨骼的材料。"我们从材料数据库入手，使用虚拟生长刺激器和机器学习算法生成虚拟材料，然后学习其结构和物理性质之间的关系，"张说。"这项工作与以往研究的不同之处在于，我们更进一步，开发了一种计算优化算法，以最大限度地提高我们可以控制的结构和应力分布。"在实验室中，张的团队利用三维打印技术制造出了这种新型生物启发材料的全尺寸树脂原型，并将其附着在骨折人体股骨的合成模型上。尽管骨骼、鸟类羽毛和木材等天然材料的结构并不规则，但它们在物理应力分布方面具有智能。一项整合了机器学习、3D打印和应力实验的新研究让工程师们得以深入了解这些自然奇观，开发出一种可复制人类骨骼功能的材料，用于骨科股骨修复。张说："有了切实可行的模型，我们就可以进行真实世界的测量，测试其功效，并确认有可能以类似于构建生物系统的方式生长合成材料。我们设想这项工作将有助于制造出通过提供优化的支持和保护以抵御外力作用来刺激骨骼修复的材料。""这种技术可以应用于各种生物植入物，只要需要进行应力操作。"她说："方法本身非常通用，可以应用于不同类型的材料，如金属、聚合物--几乎任何类型的材料。关键在于几何形状、局部结构和相应的机械特性，这使得应用几乎无穷无尽。"编译来源：ScitechDaily...PC版：https://www.cnbeta.com.tw/articles/soft/1432305.htm手机版：https://m.cnbeta.com.tw/view/1432305.htm

Osium AI：利用人工智能加速材料创新

OsiumAI：利用人工智能加速材料创新这家初创公司由SarahNajmark和LuisaBouneder创立，从YCombinator、Singular、KimaVentures、CollaborativeFund、RaisePhiture和几位天使投资人（JulienChaumond、ThomasClozel、IsaacOates、LizWessel、EbertHeraGroup、PatrickJoubert、SequoiaScout和AtomicoAngel）那里筹集到了260万美元的种子轮资金。本科期间，我曾从事过材料方面的研究，尤其是在化妆品领域。SarahNajmark告诉我："我看到材料开发方法仍然是非常手工的，需要进行大量的试错，许多方法主要依靠直觉。"毕业后，她加入了这家巨型科技公司的登月计划部门-GoogleX，花了三年时间研究机器人和深度技术。她与人合作撰写了一些专利。她说："作为技术负责人的我真正拥有了机器人和系统工程课题的端到端人工智能管道。""Najmark说："在与许多工业公司的讨论中，我们也意识到了与可持续发展相关的新挑战，即新材料的开发：更轻的材料（例如航空材料），以及更耐用、更环保的材料，还有优化和更环保的制造工艺。"联合创始人LuisaBouneder花了三年时间为工业公司开发数据产品，尤其是在材料领域。她还注意到，大量的试验和错误拖慢了开发进程。她评价说："这是一个真正影响各类行业的话题，包括建筑、包装、航空、航天、纺织和智能手机。"图片来源：OsiumAI那么，OsiumAI究竟是如何工作的呢？这就是利用数据驱动方法优化材料配方和测试之间的反馈回路。利用这家初创公司的专有技术，工业公司可以根据一系列标准预测新材料的物理性质。之后，OsiumAI还能帮助完善和优化这些新材料，同时避免试错过程中常见的错误。一些工业公司已经在试用OsiumAI的解决方案，他们看到了其中的潜力。"我们的用户认为，我们的解决方案可以让他们将材料的开发和分析速度提高10倍。因此从测试一开始，我们就看到了我们带来的价值，"Najmark说。在很多方面，OsiumAI才刚刚起步。公司目前只有两名员工（两位联合创始人），因此这家初创公司很快就会扩大团队，并开始将这些工业测试转化为正式合同。...PC版：https://www.cnbeta.com.tw/articles/soft/1399055.htm手机版：https://m.cnbeta.com.tw/view/1399055.htm