SLAC的博士后学者Fang Ren在Stanford同步辐射光源上开发了一种算法来分析材料数据。图片来源：Dawn Harmer/SLAC国家加速器实验室

      将两种或三种金属混合在一起，通常会得到金属的合金，金属合金的原子排列成规则的几何图形。

      但现实偶尔会出现不一样的情况，在适当的条件下，你会得到一种全新的东西：一种未来的合金，叫做金属玻璃，它是无定形的，每一个方向都有原子排列，就像玻璃里的原子。它的玻璃性质使得它比当今最好的钢更轻更坚固，而且它更能经受腐蚀和磨损。

      金属玻璃在作为一种保护涂层和钢铁替代品显示了出许许多多的希望，但在过去的50年中，数以百万计的可能成分的组合中只有几千种被评估测试，只有少数成分的金属玻璃投入了使用。

      现在，由美国能源部（DoE）的SLAC国家加速器实验室、美国国家标准与技术研究所（NIST）和西北大学的科学家领导的一个小组，报告了一种发现和改进金属玻璃的捷径，并且扩展到了其它材料，这只占时间和成本的一小部分。

       该研究小组利用SLAC斯坦福同步辐射光源（SSRL）系统，这个系统结合了机器学习——人工智能（AI），其中计算机算法从大量数据中收集数据——通过实验，一次可以快速制作和筛选数以百计的样本材料。这使得他们发现了三种新的成分，形成了金属玻璃，这比以前做的快200倍。

      “使用一种新材料，从发现到商业用途通常需要10到20年，”该论文的合著者西北大学的教授Chris Wolverton说。这是试图压低时间的一个重要步骤。你可以从一个你想要的材料列表开始，使用人工智能，很快把数量巨大的潜在材料缩小到几个好的候选材料上。

      他说，我们最终的目标是达到一个科学家可以扫描数以百计样本的程度，从机器学习模型中立即得到反馈，并有另一组样本准备在第二天甚至是在一小时内进行测试。

       在过去的半个世纪里，科学家们研究了大约6000种构成金属玻璃的组合，该论文的共同作者Apurva Mehta是SSRL的一名科学家。他说，我们能够在一年内制作和筛选20000个组分。

       其他团队使用机器学习来预测不同种类的金属玻璃在什么条件下可以得到。我们所做的唯一的事情是用实验快速验证我们的预测，然后反复地把结果循环到下一轮的机器学习和实验中，Mehta说。

       他补充说，有足够的空间让这一过程变得更快，并最终使其自动化，让人们完全摆脱了机械的循环，因此科学家可以专注于需要人类直觉和创造力的方面。这不仅对同步加速器用户产生影响，而且对整个材料科学和化学界产生影响。

       根据研究小组的说法，这种方法在各种实验中都是有用的，特别是对金属玻璃和催化剂等材料的性能进行探索，这些材料的性能受制造方法的影响很大，而科学家们没有理论来指导它们的研究。通过机器学习，这些算法自己得出结论，可以引导研究出意想不到的结果。

       “一个更令人兴奋的方面是，我们可以如此迅速地做出预测，使实验快速地进行，这样我们就有能力去研究那些不遵循我们正常的经验法则的材料是否会形成金属玻璃。”论文合著者NIST的材料研究工程师Jason Hattrick-Simpers说。人工智能将改变材料科学的前景，这是第一步。

       这是与DOE资助的试点项目第一个科学成果，其中SLAC正在与一个叫Citrine Informatics的硅谷AI公司合作，以改变新材料被发现的方式，并为所有科学家提供可用的工具。

       CITRIN是由斯坦福大学和西北大学的前研究生创办的一个材料科学数据平台，其中已锁定在发表论文、电子表格和实验室笔记本中的数据，数据以一致的格式存储。这让使用专门为材料设计的人工智能来分析这些数据。

      CITRIN公司的创始人兼首席执行官Greg Mulholland说：“我们想获取材料和化学数据，并有效地利用它们来设计新材料和优化制造。”这是人工智能的力量：随着科学家产生更多的数据，人工智能与它们一起学习，使科学家能够更快更有效地识别高性能材料。

       最近，对新材料的思考、制作和评估都非常缓慢。金属玻璃纸的作者计算出，即使你可以每天检查五种可能的金属玻璃类型，都要花费超过一千年的时间才能把每一种可能的金属组合检查完。当他们发现一种金属玻璃时，研究人员常常努力克服那些能阻碍这些材料的问题。有些成分有毒，有些则非常昂贵。

       在过去的数十年里，SSRL和其他地方的科学家已经开发出了自动化实验的方法，以便他们可以在更短的时间内创造和研究更多的新材料。今天，一些SSRL用户几乎可以得到他们数据的初步分。

       “利用这些自动化系统，我们可以每天分析2000多个样本，”该论文的主要作者博士后学者Fang Ren说，他开发了算法来分析数据，并将它们整合到系统中。

       基于第一轮学习的算法，科学家用两种不同的方法制作了两套样品合金，让他们测试制造方法是如何影响合金变成玻璃的。

      用SSRL的 X射线束扫描两组合金，将所得数据反馈到数据库中以产生新的机器学习结果。然后，这些新的样品，经历了另一轮的扫描和机器学习。

      通过实验的第三和最后一轮，Mehta说，该小组寻找金属玻璃的成功率从300个或400个样品中的一个增加到两个或三个。他们所鉴定的金属玻璃样品代表了三种不同成分的组合，其中两种成分以前从未被用来制造金属玻璃。

PS：在企业中，只有平均不到一半的结构化数据为决策所用，而被加以分析或利用的非结构化数据不到1%。超过70%的人员能够获得他们不该被授权的数据，分析研究工作80%的时间都花在了发现和准备数据上。数据泄露普遍存在，流氓数据集在孤岛中增殖，公司掌握的数据分析技术往往跟不上发展需求，如果您有相关数据平台建设的意向，请在留言或者公众号对话里留下您的联系方式，我们将结合您所在机构实际情况，探讨如何高效地解决这些实际难题。

 隐石检测拥有一批在业内取得显著成就的专业技术人员，在行业内有着丰富的检测经验。秉承着专注、专业、高效、想客户所想的理念，公司积极增加项目和完善更先进的测试仪器设备，保障每一个检测，分析，研发任务优质高效的完成。同时通过专业所长,为全球数万家优质客户提供最及时的行业技术标准信息，和更高精尖的分析检测解决方案。

　　隐石检测分别成立了阀门实验室，腐蚀实验室，金相实验室，力学实验室，无损实验室，耐候老化实验室。从事常压储罐检测，锅炉能效检测，金属腐蚀检测，应力应变检测，无损探伤检测，机械设备检测，金相分析，石墨烯纳米材料检测，水质检测，油品检测涉及的服务范围已广泛覆盖到钢铁材料，有色金属材料，石油化工设备，通用机械设备，冶金矿石，建筑工程材料、航空航天材料，高铁船舶材料，汽车用零部件、非金属材料，电子电工产品等各个领域，并获得了CMA和CNAS;双重认可。