阿贡国家实验室的新型 AI 工具为材料科学带来实时分析

阿贡国家实验室（Argonne National Laboratory）推出了 DONUT，这是一种具备物理感知能力的神经网络，能够即时提供 X 射线分析，从而消除了传统材料科学实验后长达数周的等待时间。该系统无需像大多数 AI 模型那样依赖海量的标注数据集，为更快速、更自主的研究开启了大门。

为什么实时性至关重要

在传统的束流线（beam-line）实验中，科学家收集 X 射线衍射数据，然后花费数周或数月的时间进行处理，以推断材料的结构。这种延迟可能会迫使研究人员重新设计实验，或者错过仅在测量过程中出现的瞬态现象。DONUT 在记录数据的同时进行流式传输，提供即时反馈，以便研究人员在样本在测试过程中发生变化时能够做出反应。

DONUT 如何规避数据标注

典型的深度学习工具依赖于监督式训练：即通过数千个示例，将每种 X 射线图谱与已知结构进行匹配。构建这些库不仅耗费人力，而且对于新型或复杂材料来说往往是不可能的。DONUT 采用无监督学习，将其架构中直接嵌入了控制 X 射线相互作用的物理定律。通过将这些约束条件内化，该网络无需看到任何预先标注的示例即可推断出结构信息。

对研究的潜在影响

  • 加速发现 —— 其速度让研究人员能够更快地研究电池、化学催化剂和电子元件。
  • 更广泛的适用性 —— 没有深厚衍射分析专业知识的用户也可以进行实验并获得可用的结果，从而降低了新兴实验室的准入门槛。
  • 自适应实验 —— 由于该模型会根据最新的测量结果进行自我更新，它推动了实验向自主化方向发展。

总结

DONUT 表明，将物理学嵌入 AI 可以绕过数据标注的瓶颈，将 X 射线实验从缓慢的后期处理繁琐工作转变为一种交互式的、现场的发现过程。