机器学习和人工智能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系副教授Juejun Hu开发了一种可以增强芯片光谱仪性能的算法，而大西洋Richfield能源研究副教授Elsa A. Olivetti建立了一种人工智能系统，通过科学论文推断材料科学的“公式”。

这些教授和来自麻省理工学院的其他教授，以及丰田研究所加速材料设计和发现主任Brian Storey将进行主题演讲，并将在10月10日周三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在克利切礼堂。

胡副教授最近解释了导致他的光谱仪取得突破的原因，以及他为什么乐观地认为机器学习和人工智能正在成为材料研究的日常工具。

问：你的光谱仪工作特别使用了机器学习技术。新方法如何改变材料科学中的发现过程？

答：基本上，我们已经开发了一种新的光谱仪技术，这种技术使我们能够将大型组件缩小到一个小硅片上，同时仍然保持高性能。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。我们已经对许多不同种类的光谱验证了该算法。通过比较两个重复测量值，该算法可以减少测量噪声的影响，从而识别出单个光的颜色。与教科书限制(称为瑞利限制)相比，该算法将分辨率提高了100%。

问：对于由光学天线阵列组成的中红外镜头，如何利用机器学习识别新的光学材料和设计？

答：我们正在与麻省大学的一个UMass小组合作，开发一种用于设计“元表面”的深度学习算法，这是一种不使用传统几何曲率来构造透镜的光学设备。你用一系列特别设计的光学天线对入射光施加相位延迟，所以我们可以实现所有功能。超柱曲面的一个大问题是，按照惯例，当人们设计这些超柱曲面时，他们基本上是通过反复试验来完成的。

我们建立了深度学习算法。这个算法允许我们使用现有的数据来训练它。所以，当我们训练它的时候，算法最终会变得“智能”。该算法可以评价不规则形状的可加工性，这些形状超出了常规形状(如圆形和矩形)的范围。它可以识别复杂的几何形状和电磁响应之间的隐藏关系，这通常并不容易，而且它可以比传统的全尺寸模拟更快地找到这些隐藏关系。该算法还可以筛选出不可用材料和功能的潜在组合。如果用常规的方法，你要浪费很多时间穷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你。

问：在促进机器学习在材料科学中的应用方面，还有哪些进展？

答：我们看到的另一件事是，现在我们也可以更容易地访问非常强大的商业云计算设施。因此，硬件、易访问、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。再次举例，在超曲面上，如果你看看旧的设计，几乎所有人都在使用规则的几何图形，如圆形、正方形和矩形，但我们和社区中的许多其他人现在转向拓扑优化的光学设备。为了设计这些结构，新算法和强大计算资源的结合是在三维空间设计大型设备(如宏观和拓扑优化的光学器件)的关键。