利用斯坦福的人工智能方法加速新材料的发现：为自动驾驶实验奠定基础与贝叶斯优化的应用

传统的材料探索方法不仅耗时且成本高昂，尤其当面对庞大的材料空间时，挑战更加艰巨。为了克服这一难题，斯坦福大学及美国能源部SLAC国家加速器实验室的研究团队研发出了一种AI驱动的方法，显著提升了新材料探索的效率与精准度。

研究人员提出了一种框架，通过简单的用户定义过滤算法来捕捉实验目标。这些算法会被自动转换为三种智能、无参数的顺序数据采集策略（SwitchBAX、InfoBAX 和 MeanBAX），从而避免了传统方法中繁琐的任务特定采集函数设计过程。在TiO2纳米粒子合成以及磁性材料表征的数据集上验证了该方法的有效性，结果显示，相比最先进的技术，新方法的效率显著提升。

这项研究为“自动驾驶实验”奠定了基础，有望加速新材料的发现进程，这些新材料将在应对气候变化、推动量子计算发展及药物设计等多个领域发挥重要作用。相关研究成果已发表在《npj Computational Materials》期刊上。

智能数据采集策略对于未来材料的快速发现与合成至关重要。贝叶斯优化是一种流行的策略，旨在寻找能最大化材料性能的候选材料；但材料设计往往需要找到符合更复杂或更专业目标的设计空间的特定子集。智能顺序实验设计因此成为一种快速搜索大型设计空间的有效手段。

在本研究中，研究团队专注于自动创建自定义采集函数以满足特定实验目标的问题。他们提出了一个框架，用户可以通过算法程序定义自己的目标，该程序会返回设计空间中正确的子集。这个算法会自动转换成指导未来实验的采集函数，无需为特定应用设计复杂的采集函数。

研究团队还开发了一种名为MeanBAX的策略，该策略利用模型后验的探索策略实现了多属性泛化。同时，设计了一种无参数策略SwitchBAX，它能在InfoBAX和MeanBAX之间动态切换，以适应不同的数据集大小范围。这些策略在纳米材料合成和磁性材料表征的实验中取得了显著成果，特别是在复杂场景中表现优异。

本文来源：