机器学习和人工智能正越来越多地用于材料科学研究。例如，麻省理工学院材料科学与工程学副教授Juejun“ JJ” Hu开发了一种算法，该算法可以增强基于芯片的光谱仪的性能，而大西洋Richfield能源研究副教授Elsa A. Olivetti则建立了一个人工智能系统通过科学论文来推论材料科学的“配方”。
麻省理工学院的这些教授和其他教授，以及丰田研究院加速材料设计和发现总监布莱恩·斯托里(Brian Storey)作主题演讲，将于10月10日星期三在麻省理工学院材料研究实验室的年度材料日研讨会上讨论使用机器学习进行研究的见解和突破。9在克雷奇礼堂。
胡副教授最近解释了导致他的光谱仪取得突破的原因，以及为什么他对机器学习和人工智能正在成为材料研究中的日常工具感到乐观。
问：您的光谱仪工作特别利用了机器学习技术。新方法如何改变材料科学中的发现过程?
答：基本上，我们开发了一种新的光谱仪技术，该技术使我们能够将大型组件缩小到一个小的硅芯片上，并且仍然保持高性能。我们开发了一种算法，使我们能够以更好的信噪比提取信息。我们已经针对许多不同种类的光谱验证了该算法。该算法通过比较两个重复的测量值以减轻测量噪声的影响，从而识别出单独的光色。与教科书限制(称为Rayleigh限制)相比，该算法将分辨率提高了100%。
问：您如何使用机器学习来识别用于由光学天线阵列组成的中红外透镜的新光学材料和设计?
答：我们正在与马萨诸塞大学UMass的一个小组合作，开发一种深度学习算法来设计“元表面”，它是一种光学设备，代替了传统的几何曲率来构造透镜，您使用一系列专门设计的光学天线来对入射光施加相位延迟，因此我们可以实现所有功能。超颖表面的一个大问题是，按照惯例，当人们设计这些超颖表面时，他们基本上会通过反复试验来做到这一点。
我们已经建立了深度学习算法。该算法允许我们使用现有数据对其进行训练。因此，当我们训练它时，该算法最终将变得“智能”。该算法可以评估不规则形状的可加工性，这些形状超出了常规形状(例如圆形和矩形)。它可以识别复杂的几何形状和电磁响应之间的隐藏连接，通常这并不容易，而且比传统的满量程模拟可以更快地找到这些隐藏的关系。该算法还可以筛选出无法使用的材料和功能的潜在组合。如果使用常规方法，则必须浪费大量时间来耗尽所有可能的设计空间，然后得出结论，但是现在我们的算法可以很快告诉您。
答：我们看到的另一件事是，现在我们也可以更轻松地访问非常强大的基于云的商业化计算设施。因此，硬件，易于访问，非常强大的计算资源和新算法的结合使我们能够进行新的创新。再说一次，例如，在超表面上，如果您看一下旧的设计，人们几乎都在使用规则的几何图形，例如圆形，正方形，矩形，但是我们以及社区中的许多其他人现在都在转向拓扑优化的光学设备。为了设计这些结构，新算法和强大的计算资源的结合是在三维空间中设计大型设备(如宏观的，拓扑优化的光学器件)的关键。
