AI又达成了一个新成就！ 只用6个小时，发现 新的纳米结构 。如果使用传统方法，完成这个任务至少需要1个月。 这一结果发表在Science子刊Advance上。

实验来自美国能源部 （DOE） 布鲁克黑文国家实验室，研究人员用 AI驱动的技术 ，发现了3种新的纳米结构。 其中一种的结构还是非常罕见的“阶梯”型。 整个过程他们用上叫做gpCAM的算法驱动框架，它可以 自主定义和执行实验的所有步骤 。 数字产品初创公司CEO读完论文后，大胆放话小蹭了ChatGPT的热度：

我敢打赌，未来五年里，AI改造工程、材料科学、制药，会让ChatGPT的影响力相形见绌。

新发现三种纳米结构，都是通过一种叫 自组装 （self-assembly） 的过程形成的。 自组装是指基本结构单元，比如分子、纳米材料、微米等，自发形成有序结构的一种技术。 所形成的结构稳定，且几何外观具有一定规则。 布鲁克海文功能纳米材料中心 （CFN） 的科学家，也是新研究的作者之一Gregory Doerk解释：

自组装材料的特性很小，同时还严格控制，使用这个技术，能让更小的纳米图案提高分辨率。

介绍一下CFN，这个机构的工作目标，就是建立一个自组装纳米模式类型的图书馆，来扩大其应用范围。 此前，研究人员证明通过混合两种自组装材料，可以形成新的纳米图案类型。 不过一直以来， 传统的自组装只能形成相对简单的结构 ，比如如圆柱体、薄片或球体。 但这一次，研究人员发现，三种新纳米结构中，有个 阶梯结构 ！ 也就是说，一旦使用恰当的化学光栅 （分光器） ，混合两种自组装材料是完全可以发现新结构的。 新发现带来惊喜，也带来了实验过程的新挑战： 整个自组装过程需要控制许多参数，必须 找到合适的参数组合 ，才能创建新的且有用的结构。 这个过程往往非常漫长。 为了加速研究，CFN的研究人员引入了一种新的AI能力： 自主实验 。

不妨先听听 传统方法 是怎么来找合适的参数组合的～ 首先，研究人员会合成一个样本，然后测量它，从中学习有用的信息。 然后，再制作一个不同的样本，测量它，从中学习…… 总之就是不断重复这个过程，直到解决想要解决的问题。 如此单调乏味的重复性工作，为什么不交给AI试试呢？ 其实CFN和同实验室的科学用户设施办公室国家同步加速器光源II (NSLS-II） 一直在开发一种AI框架，想让它可以自动定义和执行实验的所有步骤。 时间紧迫，CFN最终选择与美国能源部高等数学能源研究应用中心 （CAMERA） 合作。 CAMERA的gpCAM算法驱动框架，就可以进行自主决策。合作过程中，gpCAM被用来自主探索 模型的不同特征 。 最新研究是团队 首次 成功演示该算法发现新材料的能力。 gpCAM加入后，研究小组首先利用CFN的纳米加工设备，制备了一个具有一系列特性的复杂样本；接着又在CFN的材料合成设备中进行了自组装，并进行分析。 这个样品 具有光谱性质 ，还包含了研究人员感兴趣的 每个参数的梯度 。 如此一来，单个样本就成为了许多不同材料结构的巨大集合。 这个样本被送到NSLS-II，用超亮X射线进行结构研究。