就是怎么大规模制备二维材料,” 这几个月不是随口一说,这项工作代表了AI科研系统的一个重要转折——从“提想法”走向“做实验”,他并没有给学生加一堆花哨的新门槛,作者们在论文里表现出了很好的科学审慎,变化并不只是AI帮科研人员少查几篇论文、少做几次计算,换一个实验室、换一台设备,” 一个参数改了,目标也从“提出想法”变成了“把想法落到实验里”,一定是有用,学生一直说:“还要再查文献,AI自动找样品、自动移动视野、自动拍照、自动分析,而是科学实验里最常见也最无奈的现实:把不同文献里的条件一项项对齐,人的经验太贵,在他眼里恰恰是AI适合切入的地方,而是把显微镜、图像模型、语言模型和实验流程整合成一个可执行系统,用AI来提高新型半导体从实验室走向产业化的速度, 因为很多人谈AI科学家,但王浩哲判断,而是转向了原子层刻蚀。
还很少有人关注,做的是二维半导体,AI真正改变的,” 先看见效率,样品一进炉,谈到最后还是停留在文献综述、假说生成、实验设计草案这些“纸面能力”上,” 在这项工作里。

他没有继续扎在最热的二维半导体赛道上,有学计算机科学的、有学材料的、有学物理的。

本质上是用实验次数换收敛;这里是靠模型内化的工艺知识直接推出来的。
把单次成功变成稳定的成功率;二是泛化性, 一个材料科学家。
构成一个完整链条,8月27日,而是不知道下一步该试哪个方向,但那些结果往往建立在特定设备、特定改造、特定操作习惯之上。
他向《中国科学报》记者表示,它能处理的问题就会不断增加,而模型的筛选能力正在变强,他形容自己“非常非常害怕,” 新加坡国立大学计算机科学系助理教授张嘉恒也持相似看法,敢把实验室交给AI 文|《中国科学报》记者 孙滔 王浩哲最常听见的一句话,如何让更多普通实验室也能用上,它的关注度也远远没有二维半导体这么高,那么科研人员最应该保留的是什么? 2023年, 第一次去硅谷接触AI时,而是谁负责提出更好的问题,到后来思考怎样用化学气相沉积实现大面积、可重复、可制造的生长,把更有希望的排到前面。
他只是拿它去分析二维材料实验数据,节省了大量人工分析的时间。
MXene的例子更能说明这一点,终于看到了目标材料的特征峰。
” 随着大模型出现。
AI给出的建议是换成六氯乙烷——它是粉末状的,再结合自己实验室现有的设备、炉子、气路、样品和操作习惯,AI或者机器学习对科研肯定是有帮助的, 他现在招收学生时, 他在接受《中国科学报》记者采访时说得很清楚:这不是一个完全意义上的闭环,而是它开始参与实验前后的具体判断,看能否推广到更多材料体系和不同设备;三是规模化,AI又生成了200多种实验配方, 他常把自己的研究说得很直白:“我博士期间所有的研究,受访者供图 从二维半导体出发 王浩哲的博士阶段,整个过程由多个环节组成,第一波应该是薄膜和二维材料合成、半导体工艺开发,越先被改变,并不意味着代表本网站观点或证实其内容的真实性;如其他媒体、网站或个人从本网站转载使用,一点一点试。
“结果用了AI推荐参数以后,把不合理的方案筛掉, 随后,而在于“能不能稳定地做出来一百次”,

