来自能源部布鲁克海文实验室和劳伦斯伯克利实验室的科学家团队设计，创建并成功测试了一种新算法，以制定更明智的科学测量决策。该算法是人工智能(AI)的一种形式，可以做出自主决定来定义和执行实验的下一步。该团队在2019年8月14日发表在Scientific Reports上的论文中描述了他们的新测量工具的功能和灵活性。
从伽利略和牛顿到最近发现的引力波，进行科学实验以了解我们周围的世界已经成为我们数百年技术进步的动力。改进研究人员进行实验的方式会对这些实验产生新技术的适用结果的速度产生巨大影响。
在过去的几十年中，研究人员通过自动化和不断增长的各种快速测量工具加速了他们的实验。然而，一些最有趣和最重要的科学挑战 – 例如为新型计算机创建改进的电池材料或用于新型计算机的新量子材料 – 仍然需要非常苛刻和耗时的实验。
通过创建一个新的决策算法作为全自动实验设置的一部分，来自Brookhaven的两个DOE科学办公室用户设施 – 功能纳米材料中心(CFN)和同步加速器光源II(NSLS-II)的跨学科团队) – 伯克利实验室的能源研究应用高级数学中心(CAMERA)提供了以更有效的方式研究这些挑战的可能性。
复杂性的挑战
许多实验的目标是获得有关所研究材料的知识，科学家们有一种经过充分测试的方法：他们采集材料样本并测量其对环境变化的反应。
对于NSLS-II和CFN等用户设施的科学家来说，标准方法是手动扫描给定实验的测量值，以确定他们可能想要进行实验的下一个区域。但访问这些设施的高端材料表征工具是有限的，因此测量时间是宝贵的。研究团队可能只需要几天时间来测量他们的材料，因此他们需要充分利用每次测量。
“实现最小数量的测量和最高质量的关键是在不确定性很大的地方，”CAMERA的博士后学者，该研究的第一作者Marcus Noack说。“在那里进行测量将最有效地降低整体模型的不确定性。”
正如共同作者和CFN科学家Kevin Yager所指出的那样，“最终目标不仅是更快地获取数据，而且还提高我们收集的数据的质量。我认为它是实验主义者从微观管理他们的实验转向在更高层次上进行管理。科学家们不必决定在样本上接下来测量哪个位置，而是考虑大局，这最终是科学家们正在努力做的事情。“
“这种新方法是人工智能的一个应用实例，”共同作者，NSLS-II的科学家Masafumi Fukuto说。“决策算法正在取代人类实验者的直觉，可以扫描数据并做出关于实验应如何进行的明智决策。”
该动画显示了样本的传统网格测量(左)与新开发的决策算法(右)引导的测量之间的比较。该比较显示该算法可以识别样本的边缘和内部部分，并将测量集中在这些区域中以获得关于样本的更多知识。图片来源：布鲁克海文实验室
更多信息少?
在实践中，在开始实验之前，科学家们定义了他们想要从测量中获得的一系列目标。设置这些目标后，算法会在实验进行时查看先前测量的数据，以确定下一次测量。在寻找最佳下一次测量时，该算法创建了一个数据的替代模型，这是一个有根据的猜测，关于材料在下一个可能的步骤中将如何表现，并计算不确定性 – 基本上它的猜测是多么自信 – 为每个可能的下一步。在此基础上，然后选择最不确定的选项进行下一步测量。这里的技巧是选择下一步测量最不确定的步骤，该算法通过进行测量来最大化其获得的知识量。该算法不仅可以最大化测量过程中的信息增益，
“基本的想法是，经过一系列的实验，你怎么能自动选择下一个最好的?” CAMERA主任，该研究的共同作者James Sethian说。“马库斯建立了一个世界，在你之前的实验的基础上建立一个近似的替代模型，并建议下一步尝试的最佳或最合适的实验。”
我们怎么来到这里
为了实现自主实验，团队必须处理三个重要部分：数据收集的自动化，实时分析，当然还有决策算法。
“这是这次合作的一个令人兴奋的部分，”Fukuto说。“我们都提供了一个必不可少的部分：CAMERA团队致力于决策算法，来自CFN的Kevin开发了实时数据分析，我们NSLS-II为测量提供了自动化。”
该团队首先在NSLS-II的复杂材料散射(CMS)光束线上实施了他们的决策算法，CFN和NSLS-II合作运营。该仪器提供超亮X射线，以研究各种材料的纳米结构。作为该仪器的主要光束线科学家，Fukuto已经设计了具有自动化功能的光束线。光束线提供样品交换机器人，各个方向的自动样品移动，以及许多其他有用的工具，以确保快速测量。与Yager的实时数据分析一起，光束线设计 – 完美适合第一次“智能”实验。
第一个“智能”实验
该团队进行的第一个完全自主的实验是绘制一个液滴的周长，其中纳米颗粒使用CMS光束线上的小角度X射线散射技术进行分离。在小角度X射线散射过程中，科学家们在样品上照射明亮的X射线，并且根据样品的原子到纳米级结构，X射线在不同方向上反射。然后科学家使用大型探测器捕获散射的X射线并计算照射点处样品的特性。在第一个实验中，科学家将测量样本的标准方法与新决策算法调用时的测量结果进行了比较。该算法能够识别液滴的区域并聚焦在其边缘和内部部分而不是背景上。
“在我们最初的成功之后，我们想要更多地应用这个算法，所以我们联系了一些用户，并建议在他们的科学问题上测试我们的新算法，”Yager说。“他们说是的，从那以后我们测量了各种样品。其中一个最有趣的是对一个样品的研究，该样品被制造成包含一系列不同的材料类型。因此，不是制作和测量大量的样品和也许缺少一个有趣的组合，用户制作了一个包含所有可能组合的单个样本。我们的算法能够有效地探索这种巨大的多样性组合，“他说。
下一步是什么?
在第一次成功的实验后，科学家们计划进一步改进算法，从而进一步改进其对科学界的价值。他们的一个想法是使算法具有“物理意识” – 从已知的所研究材料的任何方面获得优势 – 因此该方法可以更有效。正在进行的另一项开发是在新材料的合成和处理过程中使用该算法，例如，为了理解和优化与先进制造相关的过程，因为这些材料被结合到现实世界的设备中。该团队还在考虑更大的图景，并希望将自主方法转移到其他实验设置。
“我认为用户将NSLS-II的光束线或CFN的显微镜视为强大的表征工具。我们正试图将这些功能转变为强大的材料发现设施，”Fukuto说。