但偶尔，在恰当的条件下，你会得到一些全新的东西：一种称为金属玻璃的未来合金，它是无定形的，其原子排列成各个方向，就像窗户玻璃原子一样。它的玻璃状性质使其比现在最好的钢材更坚固更轻，而且更耐腐蚀和耐磨。
信息图表比较机器学习和实验数据，寻找新的金属合金
尽管金属玻璃作为保护涂层和钢材的替代品显示出很大的希望，但在过去的50年中，只有数百万种可能的成分组合中的几千种已被评估过，并且只有少数几种可能发展到变得有用的程度。
现在由能源部SLAC国家加速器实验室，美国国家标准与技术研究院（NIST）和西北大学的科学家领导的一个小组报告了发现和改进金属玻璃的捷径。
该研究小组利用SLAC斯坦福同步辐射光源（SSRL）的一个系统，该系统将机器学习（一种人工智能形式，其中计算机算法从大量数据中搜集知识）与实验快速制作和筛选数百种样品材料一次。这使得该团队能够发现三种新的金属玻璃成分混合物，并且比以前做得快200倍，他们的研究成果在Science Advances上报道。
西北教授克里斯沃尔弗顿说：“通常需要十年或两年的时间才能将材料从发现应用到商业用途，”西沃教授克利斯沃尔弗顿是使用计算和人工智能预测新材料的早期先驱，也是该论文的合作者。“这是努力缩短这一时间的一大步，你可以从材料列表中选择最适合你的材料列表，并利用人工智能将潜在材料的巨大领域迅速缩小为几个优秀的候选者”。
他说，最终的目标是让科学家能够扫描数百种样品材料，从机器学习模型中获得几乎是直接的反馈，并准备另一套样品在第二天甚至一小时内进行测试。
在过去的半个世纪里，科学家们已经研究了大约6,000种组成金属玻璃的成分，SSRL的一位科学家加入合作，Apurva Mehta：“我们能够在一年内制作和筛选20,000个。”
刚刚开始
虽然其他团队已经使用机器学习来预测哪里可以找到不同种类的金属玻璃，Mehta说：“我们所做的独特之处在于通过实验测量快速验证我们的预测，然后将结果反复循环回到下一轮的机器学习和实验。”
他补充道，还有很多空间可以让这个过程更加快速，并且最终实现了自动化，让人们完全脱离环路，因此科学家可以专注于需要人类直觉和创造力的其他工作方面。“这不仅会影响同步加速器用户，还会影响整个材料科学和化学界。”Mehta说。
该团队表示，这种方法可用于各种实验，特别是在寻找材料，如金属玻璃和催化剂，其性能受制造方式的强烈影响时，以及那些科学家没有理论指导他们的搜索的材料。通过机器学习，不需要以前的理解。这些算法可以自行建立关系并得出结论，这可以在意想不到的方向上进行研究。
“其中一个更令人兴奋的方面是，我们可以如此迅速地做出预测，并且实验周而复始，以至于我们可以调查那些不遵循我们的正常经验法则的材料，以确定材料是否会形成玻璃，“论文合作者NIST的材料研究工程师Jason Hattrick-Simpers说。“人工智能将改变材料科学如何完成的前景，这是第一步。”
方仁开发了一种算法，用于SLAC博士后研究人员在斯坦福同步辐射光源射束线上运行该系统，该系统已投入使用。
数字的力量
该论文是与美国能源部资助的试点项目相关的第一个科学成果，SLAC正在与硅谷人工智能公司Citrine Informatics合作，改变新材料的发现方式，并为各地的科学家提供工具。
Citrine由斯坦福大学和西北大学的前研究生创立，创建了一个材料科学数据平台，在这个平台中以一致的格式存储着已发表论文，电子表格和实验室笔记本中的数据，因此可以为材料专门使用。
“我们希望获取材料和化学数据，并有效利用它们来设计新材料和优化制造，”该公司的创始人兼首席执行官Greg Mulholland说。“这是人工智能的力量：随着科学家产生更多的数据，它会一起学习，带来隐藏的趋势，让科学家比依靠传统的，纯粹由人为驱动的材料更快，更有效地识别高性能材料发展“。
直到最近，思考，制作和评估新材料的速度都非常缓慢。例如，金属玻璃的作者计算出，即使你每天都可以制作和检查五种潜在类型的金属玻璃，但要花上一千多年的时间来研究每一种可能的金属玻璃组合金属。当他们发现金属玻璃时，研究人员努力克服阻碍这些材料本身具有的问题。因为有些成分有毒或昂贵成分，并且它们都具有玻璃易碎，易碎的性质。
在过去的十年中，SSRL和其他地方的科学家已经开发出了使实验自动化的方法，以便他们能够在更短的时间内创建和研究更多新颖的材料。今天，一些SSRL用户可以在他们的数据几乎一出现由SSRL与Citrine一起开发的AI软件以及美国能源部劳伦斯伯克利国家实验室的CAMERA项目中得到初步分析。
“使用这些自动化系统，我们每天可以分析超过2000个样本，”本文的主要作者方仁说，他开发了算法来实时分析数据并协调它们与系统的集成，同时还是SLAC的博士后学者。
试验数据
在金属玻璃研究中，研究团队研究了数千种含有三种廉价，无毒金属的合金。
他们从一系列可追溯至50多年的材料数据开始，其中包括6,000个搜索金属玻璃的实验结果。该团队使用Wolverton和西北大学研究生Logan Ward开发的先进机器学习算法梳理了数据。
基于第一轮研究中学到的算法，科学家们使用两种不同的方法制作了两套样品合金，使他们能够测试制造方法是如何影响合金变形成玻璃的。
通过SSRL X射线束扫描两组合金，将数据输入Citrine数据库，并产生新的机器学习结果，这些结果用于制备经历另一轮扫描和机器学习的新样品。
Mehta表示，通过实验的第三轮也是最后一轮，该团体发现金属玻璃的成功率从300或400个样品中的一个增加到了两个或三个样品中的一个。他们确定的金属玻璃样品代表了三种成分的不同组合，其中两种从未用于制造金属玻璃。
