大海撈針是一項典型的不可能的任務。但如果新工具可以直接達成這個目標呢？想像一下，如果您不用手動搜尋所有東西，而是可以將一小堆乾草分成幾份並使用磁鐵。

人工智慧 (AI) 可以像磁鐵一樣吸引科學解決方案，從大量的可能性中提取重要資訊。

但人工智慧只能做這麼多。如果大海撈針太大，即使是最強大的系統也會受到阻礙。有效地使用人工智慧需要在過程中巧妙地涉及領域科學專業知識。一組科學家將人工智慧、高通量實驗和材料科學知識結合在一起，以加快發現過程。

這種組合奏效了。該團隊由太平洋西北國家實驗室 (PNNL) 和阿貢國家實驗室的研究人員領導，確定了溶劑組合，可以溶解三倍多的化合物，該化合物被提議作為節能氧化還原液流電池的一部分。

他們很快就將搜尋範圍縮小到了不到 10% 的可能組合，從而取得了成功。研究結果是發表在自然通訊。

團隊由背景互補的專家組成，他們都專注於創建一個可以智慧地執行高通量實驗的平台。他們探索了一系列有機溶劑混合物，為基於氧化還原劑的液流電池設計了最佳電解質系統。

PNNL 材料科學家、該論文的共同通訊作者維賈伊·穆魯格桑 (Vijay Murugesan) 表示：“人們通常將自動化系統視為一種通過大幅增加可進行的實驗數量來加快發現速度的方法。”“我們希望利用人工智慧進行科學研究，提高效率來加速發現。”

雖然該平台專門針對用於能量儲存的電解質混合物，但一般過程可以應用於其他系統。研究人員表示，這對於受限系統內存在大量潛在解決方案的問題最為有用。

人工智慧的高通量數據

高通量實驗團隊並沒有獨立進行實驗，而是收集數據來填補人工智慧團隊演算法的空白。通常，實驗室系統無法獲得人工智慧模型所需的資料類型。然後必須根據計算結果對演算法進行訓練，這可能會導致額外的偏差。

在實驗方面，確定優化的溶劑混合物是一個大問題。「我們確定了 2,000 種可能的組合，」共同通訊作者、PNNL 高通量實驗專家 Yanang Yang 說。

“即使使用我們的機器人系統，要測試的組合數量也是不切實際的。雖然機器人可以更快地進行實驗，但它仍然需要化學品和能源。”

如果沒有人工智慧，識別最有前途的選擇仍然需要數百次實驗。為了縮小搜尋範圍，團隊根據人工智慧模型訓練集中的已知差距進行了初步資料收集。

餵食高保真實驗數據模型中的資訊會帶來更好的訓練系統，從而為下一輪實驗提供更好的預測。

「我們的方法非常有效，」穆魯格桑說。“我們正在利用高吞吐量和人類直覺的速度來更好地訓練人工智慧。”

協作數據的力量

這次合作的成果是雙重的：首先是確定溶劑混合物，這是工作的科學目標。第二個是根據實驗數據建立高保真數據集。團隊希望其他人能夠利用這些數據進行未來的工作，而不僅僅是探索有機氧化還原液流電池的溶劑混合物。

「我們有意創建高保真數據，以幫助建立更好的預測模型，」穆魯格桑說。“我們團隊的廣泛專業知識為我們的流程提供了信息，能源部對中心規模工作的投資使這成為可能。中心專門研究這些需要多個學科共同努力的雄心勃勃的想法。”

該計畫得到了 2018 年至 2023 年期間由 6 個國家實驗室和 10 所大學聯合開展的儲能研究工作的支持。

「這項工作的靈感確實來自已故 JCESR 的創始主任喬治·克拉布特里 (George Crabtree)，」穆魯格桑說。「我們向他提出了利用 PNNL 的高通量能力來發現電解質的想法，但他要求我們考慮更大的問題並與人工智慧團隊合作。

“透過他的啟發，我們了解到，透過整合人工智慧模型和機器人平台，我們可以更快地產生有影響力的結果。”

邁向自動駕駛實驗室

該團隊產生的材料資訊數據是創建有效的人工智慧系統所必需的類型，該系統將驅動自主實驗室空間中的實驗循環。「我認為這些類型的工作流程是材料發現新範式的核心，」領導人工智慧工作的共同通訊作者 Hieu Doan 說。

「我很高興看到人工智慧研究人員和材料科學家之間合作的未來，」該論文的合著者、物理和計算科學理事會項目開發辦公室主任卡爾·穆勒補充道。“加速材料發現對於解決儲能問題至關重要。”

除了梁、穆魯格桑和穆勒之外，PNNL 的 Juran Noh 和 Heather Job 也為該計畫做出了貢獻。阿貢國家實驗室團隊包括 Doan、Lily Robertson、Lu Zhu 和 Rajeev Assary。這項工作的許多合作者都是新推出的儲能研究聯盟能源創新中心的成員。