人工智能机器人开发新材料 提高太阳能电池的导电性

柯蒂斯·柏林盖特是一名材料学家，在加拿大英属哥伦比亚大学工作时，他曾要求研究生改进太阳能中的关键材料，以提高其导电性。

他在这一过程中发现，潜在的调整变量数量繁多，不同变量可产生千万种可能。比如加入微量金属和其他添加剂可以改变加热和干燥时间。

柏林盖特和同事将这项工作交给了置入人工智能算法的单臂机器人，机器人可混合不同溶液，并将其浇筑成薄膜，再进行热处理或后续步骤。

在美国材料研究学会日前举行的一次会议上，柏林盖特报告了这一系统成果：摸清配方和加热条件后，人工智能可创造用于的新型薄膜，而且以往需要9个月才能解决的问题如今只须5天。

事实上，在药物开发、遗传学研究等其他领域，已有用人工智能设计实验的先例。比如用DNA器进行编程，给出DNA组装的任何可能。

但对某种材料而言，无法用单一方法对其进行处理或合成，这意味着智能算法指导的自动化系统处理流程会更复杂。柏林盖特等人的成果意味着材料学领域的类似系统已经产生。“这是一个令人兴奋的领域。”在美国空军研究室工作的材料学家本吉丸山评价说，“形成系统闭环意味着材料领域会以更快的速度创新。”

元素周期表有100多种元素，理论上可以对其进行无数种组合，由此产生的材料数量非常可观。这意味着有成百上千种材料等待人们去发现，另一方面，如何选出其中真正可用的部分也成为挑战。

如今人工智能机器人可以提供帮助，机器人可以混合数十种不同的材料配方（这些配方有细微差别），再将不同配方产生的材料放在单个晶片或其他材料上进行处理和。

不过，丸山还表示，如果只是简单地逐个配方进行实验，只能算是量实验的一种，而不是实现大量突破的创新。

为了加快这一过程，许多研究团队利用建模寻找可能的材料配方，而且已有不少新型材料诞生。但问题在于，这些系统设计往往依赖材料学专业研究生或经验丰富的科学家，系统评估由人给出既定标准，实验是否进行也由人决定。但人无法一直操控所有步骤。

与柏林盖特的团队类似，在波士顿大学工作的机械工程师基思·布朗也建立了由人工智能驱动的机器人系统。

布朗团队的研究目标是找到足够坚固的结构。材料的韧性取决于结构细节，既对强度有要求，也需要良好的延展性。而这些往往无法靠预测得出，必须通过实验检验。

作为测试用例，布朗等人用塑料造出一种桶形结构，大小与一个盐瓶相当。研究团队改变了桶形外壁的支柱数量、方向和形状，但全部变量加起来可能产生约50万种组合。

为了更快找出合适结构，布朗团队先用机器人制造出600个不同结构，并对所有选项进行采样。然后，他们利用人工智能算法实验中可能产生的最优设计。

通过实验和计算，相关程序可以找出材料具有良好韧性的趋势，比如每个支柱的厚度、半径变化，有助于预测出更坚固的结构。而这一切无需研究者密切盯守。程序启动24小时后，研究者获得了比以往任何原始设计都坚固的结构。

无论是钙钛矿太阳能电池还是3D打印材料，这些基于人工智能的系统能够帮研究者更快找出良好结构，甚至为所处领域带来更深远影响。