大海捞针是一项典型的不可能完成的任务。但如果新工具可以直接实现这一目标呢？想象一下，如果您不用手动搜索所有东西，而是可以将一小堆干草分成几份并使用磁铁。

人工智能 (AI) 可以像磁铁一样吸引科学解决方案，从大量的可能性中提取重要信息。

但人工智能只能做这么多。如果大海捞针太大，即使是最强大的系统也会受到阻碍。有效地使用人工智能需要在此过程中巧妙地涉及领域科学专业知识。一组科学家将人工智能、高通量实验和材料科学知识结合在一起，以加快发现过程。

这种组合奏效了。该团队由太平洋西北国家实验室 (PNNL) 和阿贡国家实验室的研究人员领导，确定了溶剂组合，可以溶解三倍多的化合物，该化合物被提议作为节能氧化还原液流电池的一部分。

他们很快将搜索范围缩小到了不到 10% 的可能组合，从而取得了成功。研究结果是发表在自然通讯。

该团队由背景互补的专家组成，他们都专注于创建一个可以智能地执行高通量实验的平台。他们探索了一系列有机溶剂混合物，为基于氧化还原剂的液流电池设计了最佳电解质系统。

PNNL 材料科学家、该论文的共同通讯作者维贾伊·穆鲁格桑 (Vijay Murugesan) 表示：“人们通常将自动化系统视为一种通过大幅增加可进行的实验数量来加快发现速度的方法。”“我们希望利用人工智能进行科学研究，提高效率来加速发现。”

虽然该平台专门针对用于能量存储的电解质混合物，但一般过程可以应用于其他系统。研究人员表示，这对于在受限系统内存在大量潜在解决方案的问题最为有用。

人工智能的高通量数据

高通量实验团队没有独立进行实验，而是收集数据来填补人工智能团队算法的空白。通常，实验室系统无法获得人工智能模型所需的数据类型。然后必须根据计算结果对算法进行训练，这可能会导致额外的偏差。

在实验方面，确定优化的溶剂混合物是一个大问题。“我们确定了 2,000 种可能的组合，”共同通讯作者、PNNL 高通量实验专家 Yanang Yang 说。

“即使使用我们的机器人系统，要测试的组合数量也是不切实际的。虽然机器人可以更快地进行实验，但它仍然需要化学品和能源。”

如果没有人工智能，识别最有前途的选择仍然需要数百次实验。为了缩小搜索范围，该团队根据人工智能模型训练集中的已知差距进行了初步数据收集。

喂养高保真实验数据模型中的信息会带来更好的训练系统，从而为下一轮实验提供更好的预测。

“我们的方法非常有效，”穆鲁格桑说。“我们正在利用高吞吐量和人类直觉的速度来更好地训练人工智能。”

协作数据的力量

这次合作的成果是双重的：首先是确定溶剂混合物，这是工作的科学目标。第二个是根据实验数据创建高保真数据集。该团队希望其他人能够利用这些数据进行未来的工作，而不仅仅是探索有机氧化还原液流电池的溶剂混合物。

“我们有意创建高保真数据，以帮助建立更好的预测模型，”穆鲁格桑说。“我们团队的广泛专业知识为我们的流程提供了信息，能源部对中心规模工作的投资使这成为可能。中心专门研究这些需要多个学科共同努力的雄心勃勃的想法。”

该项目得到了 2018 年至 2023 年期间由 6 个国家实验室和 10 所大学联合开展的储能研究工作的支持。

“这项工作的灵感确实来自已故 JCESR 的创始主任乔治·克拉布特里 (George Crabtree)，”穆鲁格桑说。“我们向他提出了利用 PNNL 的高通量能力来发现电解质的想法，但他要求我们考虑更大的问题并与人工智能团队合作。

“通过他的启发，我们了解到，通过整合人工智能模型和机器人平台，我们可以更快地产生有影响力的结果。”

迈向自动驾驶实验室

该团队生成的材料信息数据是创建有效的人工智能系统所必需的类型，该系统将驱动自主实验室空间中的实验循环。“我认为这些类型的工作流程是材料发现新范式的核心，”领导人工智能工作的共同通讯作者 Hieu Doan 说。

“我很高兴看到人工智能研究人员和材料科学家之间合作的未来，”该论文的合著者、物理和计算科学理事会项目开发办公室主任卡尔·穆勒补充道。“加速材料发现对于解决储能问题至关重要。”

除了梁、穆鲁格桑和穆勒之外，PNNL 的 Juran Noh 和 Heather Job 也为该项目做出了贡献。阿贡国家实验室团队包括 Doan、Lily Robertson、Lu Zhu 和 Rajeev Assary。这项工作的许多合作者都是新推出的储能研究联盟能源创新中心的成员。