柯蒂斯·柏林蓋特是一名材料學家，在加拿大英屬哥倫比亞大學工作時，他曾要求研究生改進太陽能電池中的關鍵材料，以提高其導電性。

他在這一過程中發現，潛在的調整變量數量繁多，不同變量可產生千萬種可能。比如加入微量金屬和其他添加劑可以改變加熱和干燥時間。

柏林蓋特和同事將這項工作交給了置入人工智能算法的單臂機器人，機器人可混合不同溶液，并將其澆筑成薄膜，再進行熱處理或后續步驟。

在美國材料研究學會日前舉行的一次會議上，柏林蓋特報告了這一系統最新成果：摸清配方和加熱條件后，人工智能可創造用于太陽能電池的新型薄膜，而且以往需要9個月才能解決的問題如今只須5天。

事實上，在藥物開發、遺傳學研究等其他領域，已有用人工智能設計實驗的先例。比如用DNA合成器進行編程，給出DNA組裝的任何可能。

但對某種材料而言，無法用單一方法對其進行處理或合成，這意味著智能算法指導的自動化系統處理流程會更復雜。柏林蓋特等人的成果意味著材料學領域的類似系統已經產生。“這是一個令人興奮的領域?！痹诿绹哲娧芯渴夜ぷ鞯牟牧蠈W家本吉丸山評價說，“形成系統閉環意味著材料領域會以更快的速度創新?！?/p>

元素周期表有100多種元素，理論上可以對其進行無數種組合，由此產生的材料數量非?？捎^。這意味著有成百上千種材料等待人們去發現，另一方面，如何選出其中真正可用的部分也成為挑戰。

如今人工智能機器人可以提供幫助，機器人可以混合數十種不同的材料配方（這些配方有細微差別），再將不同配方產生的材料放在單個晶片或其他材料上進行處理和測試。

不過，丸山還表示，如果只是簡單地逐個配方進行實驗，只能算是高通量實驗的一種，而不是實現大量突破的創新。

為了加快這一過程，許多研究團隊利用計算機建模尋找可能的材料配方，而且已有不少新型材料誕生。但問題在于，這些系統設計往往依賴材料學專業研究生或經驗豐富的科學家，系統評估由人給出既定標準，實驗是否進行也由人決定。但人無法一直操控所有步驟。

與柏林蓋特的團隊類似，在波士頓大學工作的機械工程師基思·布朗也建立了由人工智能驅動的機器人系統。

布朗團隊的研究目標是找到足夠堅固的3D打印結構。材料的韌性取決于結構細節，既對強度有要求，也需要良好的延展性。而這些往往無法靠預測得出，必須通過實驗檢驗。

作為測試用例，布朗等人用塑料造出一種桶形結構，大小與一個鹽瓶相當。研究團隊改變了桶形外壁的支柱數量、方向和形狀，但全部變量加起來可能產生約50萬種組合。

為了更快找出合適結構，布朗團隊先用機器人制造出600個不同結構，并對所有選項進行采樣。然后，他們利用人工智能算法測量實驗中可能產生的最優設計。

通過實驗和計算，相關程序可以找出材料具有良好韌性的趨勢，比如每個支柱的厚度、半徑變化，有助于預測出更堅固的結構。而這一切無需研究者密切盯守。程序啟動24小時后，研究者獲得了比以往任何原始設計都堅固的結構。

無論是鈣鈦礦太陽能電池還是3D打印材料，這些基于人工智能的系統能夠幫研究者更快找出良好結構，甚至為所處領域帶來更深遠影響。