德克萨斯A&M工程研究团队正在利用机器学习，数据科学和专家领域知识的力量自主发现新材料。

该团队开发并展示了一个自主高效的框架，能够最佳地探索材料设计空间(材料设计空间是具体世界的抽象。它是所研究的所有可能材料的空间，具有基本材料特征)。

自治系统 - 或人工智能(AI)代理 - 被定义为能够构建感兴趣问题的内部表示或模型的任何系统，然后使用该模型做出决策并采取独立于人的行动。受累。

这一跨学科工作的作者是材料科学与工程系的Anjana Talapatra博士和Raymundo Arroyave博士，Shahin Boluki博士，钱晓宁博士和电气与计算机工程系的Edward Dougherty博士。

他们的自主框架能够自适应地选择最佳的机器学习模型，以找到适合任何给定标准的最佳材料。他们的研究由美国国家科学基金会和空军科学研究办公室资助，通过确保寻找合适材料的最大效率，减少从实验室到市场的时间和成本。

基础数学理论有许多应用，包括影响生物医学领域。例如，通过他们的贝叶斯学习和实验设计框架，可以模拟疾病以揭示关键风险因素，以开发针对特定患者的有效治疗并降低人体临床试验的成本。

“先进材料对经济安全和人类福祉至关重要，应用于旨在应对清洁能源，国家安全和人类福祉挑战的行业，但在初步发现后将材料运送到市场可能需要20年或更长时间“。 - 材料基因组计划

该团队希望对该框架进行详尽的测试，因此他们在闭环计算平台上进行了演示，使用量子力学来预测MAX相的特性，这些材料是高温应用的有前景的材料，包括用于新型抗氧化涂层的新型抗氧化涂层。喷气发动机涡轮叶片。德克萨斯A&M集团也正在应用该框架来发现高温形状记忆合金，例如，该合金可用于制造具有变形翼的航空航天飞行器。

自主创新

之前已经对有效的实验设计技术进行了重要的研究。然而，这个团队是第一个使用基于贝叶斯技术的人(意味着他们总结了所有关于材料/材料类的知识并利用这些知识来寻找最佳材料)并以自主方式使用它，不断搜索仅用于下一次运行的最佳计算/实验，但也用于表示采集数据的最佳模型。

“加速探索材料空间以确定具有最佳性能的配置是一项持续的挑战，”在Arroyave计算材料实验室担任计算科学家的Talapatra说。“目前的范例主要围绕通过高通量实验和/或计算进行这种探索的想法。这些方法没有考虑可用资源的限制。我们通过将材料发现框架化为最佳实验设计来解决这个问题。”

本研究中提出的方法灵活，适应不同的研究情况。值得注意的是，Talapatra和Boluki的算法可以处理非常少的初始数据，使其成为新材料研究的理想选择。

与之前在该领域的工作相比，该算法代表了更智能的一步。其他算法迫使人们开始使用预定义的模型，这会在实验中引入约束并且可能使结果偏斜。“我们的算法可以在任何给定时间根据获取的数据自动和自主地确定哪个模型是n个模型中的最佳模型，”Talapatra说。自主计算机程序减少了步骤数量并限制了有限资源的使用。由于它可以从最初的两个实验开始作为初始数据点，因此该算法非常适合优化初始实验和辨别最佳前进路径。

它可以被实验者用作一步工具来简单地决定下一个要探索的材料，或者作为纯粹的计算工具来替换昂贵的计算模型并降低计算成本。它还可以用于组合的实验和计算设置。至少，该框架提供了一种非常有效的构建初始数据集的方法，因为它可以用于指导实验或计算，重点是在材料设计空间的那些部分收集数据，这将导致最有效的途径实现最佳材料。

“通常情况下，材料研究是以非常特殊的方式进行的，而且意外情况往往是规则，而不是例外，”塔拉帕特拉说。“问题是你经常不知道材料为什么或不起作用的基本物理。我们的模型不够精确。当你开始材料发现之旅时，你会从最基本的物理知识开始，比如电子数量和元素连接在一起时会发生什么。你必须找到特征和属性之间的相似性。“

“我们在(人工智能)模型中尽可能多地包括了科学，”博罗基说，他将在明年秋天为自己的论文辩护。Boluki和Talapatra在项目中担任实施者，并在python中编码。

关于该算法的论文已经过同行评审，在几次会议上发表，并得到了材料科学与工程界的良好反馈。Texas A&M的工程师和科学家们已经在使用该计划。

从细胞病理学到材料科学：数学基础

2011年，Qian和Dougherty开始合作加强生物医学研究中的实验设计。他们利用数学模型来观察细胞何时进入肿瘤阶段。

同年，联邦政策制定者宣布了材料基因组计划，该计划旨在通过结合使用计算和实验工具以及数字数据来加速新先进材料的发现。在过去的八年中，全国范围内投入了大量时间，金钱和资源。

Qian和Dougherty在2013年将注意力转向材料科学问题。两年前，团队开始致力于优化设计问题，最初与Drs合作。来自洛斯阿拉莫斯国家实验室的Turab Lookman和Prasanna Balachandran。目前的范例通常围绕通过实验或计算探索材料空间的想法，他们的方法表明有更有效的方法来发现材料。

“当其他人专注于生成和分析大量数据时，我们意识到最好的方法是专注于实验设计 - 如何通过选择材料来探索可能材料的广阔领域并增加成功的机会有目标，目标财产或回应的想法，“塔拉帕特拉说。