研究人員開發AI框架加速合金發現

研究人員開發了一個AI for Science（人工智能科學應用）框架，該框架能夠提取并融合跨學科專家知識與實驗數據，以加速合金發現和科學洞察。

高熵合金是具有挑戰性應用領域中極具前景的先進材料，但由于可能存在的元素組合數量龐大，發現有用的組成成分既困難又昂貴。如今，研究人員開發了一種新穎的AI驅動框架，該框架整合了實驗數據、計算模型以及從科學文獻中提取的跨學科專家知識。通過以一種考慮不確定性的方式結合這些來源，他們的方法即使對于研究較少的合金組成也能做出可靠預測，超越了僅依賴訓練數據的傳統數據驅動機器學習方法。

高熵合金是指由五種或五種以上元素以接近等原子比例(通常各元素含量在5-35%之間)混合而成的合金體系。與傳統合金以一兩種元素為主、其他元素為輔的設計理念截然不同。熵是衡量系統混亂度的物理量，當多種元素以接近等比例混合時，系統的混合熵顯著增高，因此得名"高熵合金"。

研究提出了一個將材料數據與AI提取的科學知識相集成的混合框架，實現了不確定性感知的發現。關于合金中元素替代的證據來自兩個獨立來源：材料數據集，其中具有匹配性能的合金對表明可替代的元素；以及通過五個科學領域查詢的大語言模型。這些"證據流"使用Dempster-Shafer理論進行組合，以評估候選合金，同時明確量化預測置信度與不確定性，引導研究人員指向有前景的候選者，同時標記出現有知識不足的區域。

現代技術的進步依賴于先進材料，例如用于飛機發動機的合金以及能夠在工業環境中抵抗腐蝕和高溫的組件。在此背景下，高熵合金已成為材料科學中最有前景的研究領域之一。通過將近等量的幾種元素結合，這些材料能夠實現卓越的強度、穩定性和耐久性。然而，發現有用的高熵合金極其困難和昂貴，因為每增加一個元素都會急劇增加可能組合的數量。隨著對可持續能源技術和下一代電子產品需求的增長，加速先進材料的發現變得越來越緊迫。

全球研究人員已轉向人工智能(AI)作為材料研究的強大助手——但這也有其局限性。大多數機器學習模型擅長插值，即能夠對與其訓練數據中已有材料相似的材料做出預測。當研究人員超越熟悉的領域并考慮真正新穎的組成時，模型的準確性會下降。與此同時，關于元素在高熵合金中如何相互作用和相互替代的數十年專家知識分散在科學文獻中，沒有明確的方法將這些專業知識整合到數據驅動的AI工具中。

在此背景下，由日本先進科學技術研究所(JAIST)的Hieu-Chi Dam教授領導的研究團隊開發了一種新的AI驅動的高熵合金發現框架。他們的研究于2025年12月19日發表在《Digital Discovery》（數字探索）期刊上，合著者包括日本學術振興會(JSPS)的研究員Minh-Quyet Ha博士、JAIST的博士生Dinh-Khiet Le、來自日本HPC Systems的Viet-Cuong Nguyen博士、日本統計數學研究所的Hiori Kino教授以及美國杜克大學的Stefano Curtarolo教授。

團隊旨在將實驗和計算材料數據與直接從科學論文中提取的跨學科專家知識相結合，創建一個專門設計用于在數據稀缺和未探索區域工作的系統。該方法的核心是合金設計中一個眾所周知的理念，稱為元素替代。在最佳條件下，化學性質相似的元素可以相互替代，而不會顯著影響材料的性能和穩定性。

研究人員首先通過比較僅相差一個元素的合金，直接從大型材料數據集中識別出替代模式。然后，他們使用最先進的大語言模型(LLM)，包括GPT-4o、GPT-.5、Claude Opus 4和Grok3，從與五個關鍵科學學科相關的文獻中提取專家判斷：冶金學、固態物理、材料力學、材料科學和腐蝕科學。每個信息源提供的是證據片段而非最終答案，這些片段使用稱為Dempster-Shafer理論的數學框架進行組合。與標準概率方法不同，該框架可以明確表示不確定性甚至無知，正如Dam教授所解釋的："傳統分類器即使在信息不足時也強制進行二元'是或否'的預測。我們的方法明確量化不確定性，允許'我們無法判斷'作為合法的科學結果。"簡單來說，提出的系統在探索未知領域時不會假裝知道超出其能力范圍的信息。

在多個合金數據集上測試時，團隊的框架始終優于傳統機器學習模型，尤其是在信息較少的情況下。最引人注目的是，它能夠預測包含訓練數據中完全不存在的元素的合金行為，準確率在86%到92%之間。研究人員還根據文獻中55個實驗確認的四元合金驗證了他們的方法，表明它優于計算成本高得多的方法，如自由能模型。

除了單個預測外，提出的方法還可以生成組成圖，顯示預測可靠的區域以及不確定性仍然較高的區域。這使研究人員能夠將實驗集中在組成空間中最有前景和信息量最大的區域。

據Dam教授介紹，這項工作的更廣泛意義在于展示了如何將AI用于科學發現。"基于LLM的提取結合正式的證據融合，可以將數十年來分散的專家知識轉化為可搜索、可比較和定量可用的資源，這對于相關見解跨越多個領域的跨學科問題特別有價值，"他說。

值得注意的是，本研究中使用的相同方法可以加速藥物發現，指導電池開發，并幫助優化催化劑。在每種情況下，框架量化不確定性的能力都將幫助研究團隊優先考慮最具信息量的實驗，可能減少發現時間和成本。

總體而言，這項工作展示了AI在科學發現中的前進道路——機器學習不是為了取代專家判斷，而是系統性地提取和結合專家判斷與實驗證據，以加速跨學科的創新。