谈及机器学习（MachineLearning），数年前，AlphaGo围棋大战柯洁的场景依旧历历在目，但今天，机器学习早已不再通过玩围棋这种休闲游戏来哗然取宠，在科学研究领域，机器学习表现出极大的应用前景。日前(.05.03），来自美国阿贡国家实验室的研究团队在NatureCommunications上报告了他们的发现。

新的人工智能工具以创纪录的时间模拟纳米粒子簇的行为。

机器学习，是指通过重复和强化学习来学习新技能。然后反复试验，并重复采取导致良好结果的行动，尝试避免不良结果并寻求改善两者之间的结果。研究人员现在正在设计基于一种使用强化学习的人工智能形式的算法。他们将它们应用于自动化化学合成、药物发现，甚至玩国际象棋和围棋等游戏。

现在，美国能源部(DOE)Argonne国家实验室的科学家们已经为另一个应用开发了一种强化学习算法。它用于在原子和分子尺度上对材料的特性进行建模，并大大加快了材料的发现速度。像人类一样，这个算法“学习”从错误和成功中解决问题。而且它能在没有人为干预的情况下这样做。

从历史上看，Argonne实验室在分子建模方面一直是处于世界领先地位的。这涉及计算材料中原子之间的力，并使用该数据来模拟其在不同条件下随时间推移的行为。然而，过去的此类模型严重依赖人类的直觉和专业知识，并且通常需要多年的艰苦努力。现在该团队的强化学习算法将时间缩短到数天和数小时。它还可以产生比传统方法更高质量的数据。

“我们的灵感来自AlphaGo，”美国能源部科学办公室用户设施阿贡纳米材料中心(CNM)的研究助理SukritiManna说，“这是第一个击败世界围棋冠军的计算机程序。”标准围棋棋盘有个方位格，比国际象棋棋盘上的64个方位要大得多——这转化为大量可能的组合配置。AlphaGo成为世界冠军的关键是它能够通过强化学习提高技能。

当然，分子建模的自动化与围棋游戏的程序还是有很大的不同。围棋棋盘是静态的，而分子模型中要考虑各种微观粒子之间的交互作用，以及其随时间的变化。团队算法中内置了决策树，可根据优化模型参数的成功程度提供正强化。结果就可以得到一个可以准确计算材料特性及其随时间变化的模型。

该团队使用元素周期表中的54个元素成功地测试了他们的算法。他们的算法学会了如何为每个元素计算数千个纳米级团簇的力场，并在极短的时间内完成计算。而这些纳米团簇以其复杂的化学性质用传统方法是非常难以准确建模的。另外，该团队不仅针对单一元素的纳米团簇进行了这些计算，还针对两种元素的合金进行了这些计算。这一工作代表了这种材料科学模型开发的重要一步。

正如阿贡纳米材料中心（CNM）的计算和理论化学家TroyLoeffler所言，“该算法大大加快了应对材料科学许多领域重大挑战所需的时间，包括用于电子设备的材料、用于工业过程的催化剂以及电池电极材料。”

参考文献：

“Machinelearningprogramforgamesinspiresdevelopmentofgroundbreakingscientifictool”byJosephE.Harmon,,NatureCommunications.DOI:10./s---6