新的人工智能系统辅助材料制造

使用新的人工智能系统透视研究论文推理制作特定材料的复元 科学家希望消除材料-科学自动化空白

近些年来,材料基因组倡议和材料项目等研究生成了大量计算工具,用于设计从能源和电子学到航空和土木工程等一系列应用有用的新材料

开发过程制作继续依赖经验、直觉和人工文献评审

一组科学家麻省理工学院马萨诸塞大学安赫斯特大学和加利福尼亚大学伯克利分校希望消除材料-科学自动化空白,新人工智能系统通过研究论文渗透推导出制作特定材料的“recipes”。

工科系助理能源学教授Elsa Olivetti说道 : “ 计算材料科学家大有进步-基于期望属性设计什么材料 ”, MIT材料科学工程系Ectricfield助理教授Elsa Richfield表示 。由於成功 瓶颈转向 : '好吧,现在我该如何实现?'

科学家们设想数据库包含从数以百万计论文提取的材料配方科学家和工程师可输入目标材料名称和任何其他标准-先质材料、响应条件、编译过程-并拉起推荐配方

Oliotti及其同事开发机器学习系统,分析论文,推断哪些段落含有材料配方,并按配方内角色划分这些段落中的词类:目标材料名称、数字数量、设备名称、操作条件、描述性形容词等

上期杂志上出现论文yabovip2021化学材料并显示机学习系统可分析提取数据推断各类材料的一般特征-如合成材料需要的不同温度范围-或单个材料的具体特征-如制作条件变化时将采取的不同物理形式

Olivetti高级论文作者, Edward Kim加入后,MITDSSE研究生黄凯文,DMSE后台Adam Saunders和AndrewMcCallum,UMass Amherst计算机科学家Gerbrand Ceder是伯克利材料科学和工程系大理学教授

补缺

科学家训练系统使用监督机学习技术和非监督机学习技术支持表示输入系统的培训数据 由人类优先注解系统尝试查找原始数据与注解之间的相互关系无人监督指培训数据无注解,系统取而代之学习根据结构相似性聚合数据

素数提取是一个新研究领域 Olivetti和她的同事没有奢侈的 大型附加注释数据集取而代之的是,他们不得不自注数据-归根结底,约100篇论文

按机学习标准算 数据集小到极并使用谷歌开发算法Word2vecWord2vec查看词发生环境-词句句内句法作用和前后词组-并组合往往相似背景的词组举个例子,如果一份文件包含句子“我们加热四甲酸500C”,而另一份文件包含句子“氢氧化钠加热500C”,Word2vec将“tium四甲酸钠和氢氧化钠并发”。

Word2vec研究者大为扩充培训集,因为机器学习系统可推理附着于任何一个词的标签有可能应用到它包装的其他词上。而不是100论文, 研究者可以训练他们的系统 约640,000论文

冰山小技巧

测试系统精度但他们不得不依赖标签数据,因为他们没有标准评价无标签数据性能测试中系统能以99%精度识别含有配方的段数,并用86%精度标定这些段内字数

科学家希望进一步工作能提高系统精度,并正在探索深学习技巧电池,深入归纳材料配方结构,目的是自动为现有文献中未考虑的材料设计配方

Olivetti先前的大部分研究集中于寻找成本效益更高和对环境负责的方法制作有用材料,她希望资料配方数据库能推导这个项目。

Ram Seshadri、Fred和Linda R表示,Wudl材料科学教授加利福尼亚大学圣芭芭拉写作者接受困难而雄心勃勃的挑战 通过AI方法捕捉新材料编译策略工作显示力量机器学习说最终判断成败需要说服实践者相信这些方法的实用性可以使他们放弃更本能方法。”

研究得到了国家科学基金会、海军研究局、能源部的支持,并通过MIT能源倡议提供种子支持。金得到加拿大自然科学工程研究理事会部分支持

参考文献:Edward Kim、Kevin Huang、Adam Saunders、Andrew McCallum、Gerbrand Ceder和Elsa Olivetti编写,2017年10月19日yabovip2021化学材料.
DOI: 10.1021/acs.chemmater.7b03500