人工智能作为研究人员的强大盟友，但有一个显著的缺点：它通常无法澄清如何得出结论，这被称为“AI黑箱”。来自伊利诺伊大学厄本那-香槟分校的研究人员成功地通过将人工智能与自动化化学合成和实验验证相结合，弥补了这一差距，揭示了人工智能用于优化分子的化学原理，以提高太阳能收集效率。
这项研究导致了四倍于初始版本的光收集分子的稳定性，并提供了有关推动其稳定性因素的基本见解——这是材料开发中一个具有挑战性的方面。
这项跨学科的努力由多位伊利诺伊大学教授共同指导，包括化学系的马丁·伯克、化学与生物分子工程的殷娇、化学系的尼古拉斯·杰克逊和材料科学与工程的查尔斯·施罗德，并与多伦多大学的化学教授阿兰·阿斯普鲁-古兹克合作。他们的研究成果发表在《自然》杂志上。
“现代人工智能工具非常有效。然而，当你试图考察其基本机制时，通常会发现它们是不透明的，”杰克逊指出。“在化学领域，这可能相当令人沮丧。人工智能可以帮助优化分子，但它通常无法解释为什么这是最佳选择——什么是重要的特性、结构和功能？通过我们的方法，我们发现了增强这些分子的光稳定性的因素。我们将AI黑箱变成了清晰的玻璃球。”
团队的目标是解决提高有机太阳能电池的问题，这些电池使用柔性和薄材料，而不是目前安装中占主导地位的传统笨重刚性硅面板。
“商业化有机光伏的主要障碍是稳定性问题。高性能材料在光照下会降解，这对太阳能电池是反生产的，”殷娇解释道。“这些材料可以以硅无法实现的方式生产和安装，并且它们还可以将热量和红外光转化为能量，但自1980年以来稳定性问题一直存在。”
在伊利诺伊州开发的方法称为“闭环转移”，以AI引导优化的协议开始，称为闭环实验。研究人员使人工智能增强光收集分子的光稳定性，施罗德说。人工智能算法建议合成和研究多种化学物质，通过多次闭环合成和实验评估。每轮结束后，新数据将反馈给模型，导致更精细的建议，逐步接近所需结果。
通过这种创新的方法，研究人员在五轮闭环实验中产生了30个新的化学候选物，利用伯克小组开创的模块化、像建筑块一样的化学和自动合成。这项工作是在伊利诺伊大学贝克曼先进科学与技术研究所的分子制造实验室进行的。
“模块化化学技术与闭环实验非常兼容。人工智能算法寻求最大化学习的新数据，而自动化分子合成平台快速生成所需化合物。这些化合物接着被测试，数据又返回模型，不断增强其智能，”同时也是卡尔伊利诺伊医学院教授的伯克说。“以前，我们主要关注结构。我们的自动化模块合成现在正在探讨功能探索的领域。”
与标准的人工智能驱动过程不同，标准过程仅以人工智能识别的最终产品结束，而闭环转移方法旨在揭示导致新分子稳定性增强的基本原理。
在闭环实验过程中，另一组算法持续评估所创建的分子，开发与光稳定性相关的化学特征的预测模型，杰克逊解释道。实验完成后，这些模型生成了新的实验室可测试假设。
“我们利用人工智能产生可验证的假设，以推动新的以人为主导的发现努力，”杰克逊表示。“现在我们有物理描述来突显什么使分子具有光稳定性，识别新的化学候选物的筛选过程变得显著更容易，而不是无目的地在化学空间中搜索。”
为了验证他们对光稳定性的假设，研究人员探索了三种结构上不同的光收集分子，这些分子具有确定的化学特征——特定的高能区域——并确认选择适当的溶剂可以使这些分子在抵抗光的稳定性方面提高至四倍。
“这作为我们方法潜力的原理证明。我们相信我们可以解决其他材料系统，可能性仅受我们的想象限制。最终，我们预见一个平台，研究人员可以输入所需的化学功能，人工智能将生成假设进行测试，”施罗德总结道。“这一成就得益于一个合作的跨学科团队，利用伊利诺伊州的人才、资源和设施，以及我们在多伦多的合作伙伴。五个团队联合起来，带来了新的科学见解，而这些见解无法从任何单一子组独立工作中出现。”
这项研究获得了来自分子制造实验室的资金支持，分子制造实验室是一项由美国国家科学基金会资助的人工智能研究机构项目，资助编号为2019897。
