← 最新论文
🔬 材料科学

SPARC: Evidence-guided adaptive model composition for materials discovery

SPARC 是一个用于材料发现的框架,它根据袋外实验证据动态调整竞争性预测模型的影响力,以优化探索并识别需要验证的测量,证明了其在预测准确性和实验效率方面均优于现有方法。

原作者: Sissi Feng, Yuchen Han, Runze Zhang, Jiaru Bai, Brandon Sutherland, Ali Shayesteh Zeraati, Jason Hattrick-Simpers, Varinia Bernales, Alán Aspuru-Guzik, Yang Bai

发布于 2026-11-17
📖 1 分钟阅读☕ 轻松阅读

原作者: Sissi Feng, Yuchen Han, Runze Zhang, Jiaru Bai, Brandon Sutherland, Ali Shayesteh Zeraati, Jason Hattrick-Simpers, Varinia Bernales, Alán Aspuru-Guzik, Yang Bai

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

长期以来,科学一直依赖于一种试错循环:研究人员提出一个想法,在实验室中进行测试,并利用结果来塑造下一次猜想。近年来,计算机加入了这一循环,利用机器学习来预测哪些实验最有可能成功。这种被称为“闭环实验”的方法,使得科学家能够实现新材料的自动化搜索,从更好的电池到更高效的催化剂。然而,这些自动化系统中一直存在着一个隐藏的局限性。大多数系统在搜索开始之前,就会锁定其对世界运作方式的初始假设。它们选择一个特定的数学模型来表示数据并坚持使用它,即使在新的测量结果到来时也是如此。当数据稀缺时,这种僵化可能会成为问题。如果初始模型是错误的,或者变量之间的关系随着搜索进入未知领域而发生变化,系统可能会不断提出错误的问题,从而强化自身的偏见,并错过更好的解决方案。

多伦多大学的一个研究小组引入了一个名为 SPARC 的新框架,它改变了这些自动化系统的思考方式。SPARC 不再固守单一模型,而是将科学模型本身视为一个必须不断修正的假设。它不断询问,在来自实验室的新证据中,哪几种相互竞争的数学描述实际上得到了支持。通过根据这些模型对不可见数据的预测能力来衡量它们之间的竞争关系,系统可以随着证据的积累而转移其关注点。这种方法使得搜索过程保持灵活性,不仅能适应新的结果,还能适应用于解释这些结果的理论之可靠性的变化。

研究人员在涉及分子、聚合物和无机材料的八个不同数据集上测试了这一想法。在这些测试中,SPARC 必须在不依赖于其他方法通常需要的复杂、预计算化学描述符的情况下,预测材料的性质(如催化剂的稳定性或电池组件的性能)。结果显示,在大多数情况下,SPARC 的预测准确度可以达到或超过成熟的流程。在一次涉及无机材料稳定性的特定测试中,这种新方法比之前的报告提高了近 78% 的预测准确度。这一增益是在没有使用其他团队所用的额外计算步骤的情况下实现的,这表明改进源于系统管理模型的方式,而非源于拥有更多的原始数据。

为了理解其工作原理,可以想象一支试图预测天气的专家团队。传统的系统可能会依赖单一的预测模型并忽略任何分歧。相比之下,SPRC 会倾听由不同模型组成的专家组,每个模型都使用略微不同的方法来理解数据。随着新的天气观测数据的进入,系统会检查哪些模型仍然准确,哪些正在落后。然后,它会结合最可靠模型的预测,给予那些已通过新证据证明了自身能力的模型更高的权重。如果模型开始出现分歧,系统会意识到它正在进入一个不确定区域,并相应地调整其置信度。这防止了系统在数据稀薄或底层科学尚未被完全理解的领域变得过度自信。

研究人员还探索了这种灵活性在寻找与以往测试过的任何材料都截然不同的材料时如何发挥作用。在一项受控测试中,系统被要求在远超初始实验范围的条件下寻找高性能候选材料。随着搜索远离已知数据,系统自然地变得更加不确定,但它并没有停止搜索。相反,它利用其信任度量来引导探索,在承认风险的同时,优先考虑那些可能表现良好的候选材料。这使得系统能够比标准方法更快地找到有前景的新候选材料,以显著更少的实验次数达到接近最优的结果。

该系统的真正考验来自于一项专注于寻找更好催化剂的现实实验室运动,该催化剂用于氧析出反应,这是生产清洁氢燃料的关键过程。研究人员建立了一个自动化平台,可以在没有人工干预的情况下合成并测试新材料。从包含 125 个初始实验的数据库开始,系统选择了 11 个新的条件进行测试。值得注意的是,这 11 个推荐中的 8 个产生了明显优于初始集合平均水平的结果,其中一个达到了 242 毫伏的性能水平,这是一个代表高效率的数值。这一成功率远高于随机机会或使用旧方法所预期的水平。

除了发现新材料之外,该系统还展示了审计其自身历史的独特能力。在同一场运动中,研究人员要求系统识别哪些现有的 125 个测量值可能是不可靠的且需要重复进行。系统基于统计异常和不一致性标记了特定的记录以供核实。当研究人员对这些被标记的样本进行重新测试时,他们发现原始测量值确实经常出现偏差,第一次和第二次读数之间的平均差异为 76 毫伏。相比之下,未被标记的对照样本之间的差异仅为 27 毫伏。这表明,该系统不仅可以指导新发现的搜索,还可以作为质量控制机制,在错误误导未来决策之前识别出现有记录中的错误。

这项研究强调了自动化科学未来运作方式的转变。该系统不再是一个遵循固定规则的僵化工具,而是一个随着学习而演化理解力的动态伙伴。它承认,在发现的早期阶段,即数据稀缺时,前进的最佳路径不是信任单一理论,而是对多种可能性保持开放,并让证据来决定保留哪些理论。通过将实验数据转化为修正其自身假设的基础,该框架为导航复杂的材料发现领域提供了一种更稳健的方法,确保搜索始终立足于数据实际支持的内容,而非计算机最初的假设。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →