第22章 進度飛快
第22章 進度飛快
巴文迪是鈣鈦礦領域的專家，但是他在23年拿諾獎卻不是因為鈣鈦礦方面的成果，而是因為他在量子點化學製備方法的革新。
量子點是一種具有獨特光學特性和電子特性的微小半導體粒子，可以應用在LED、紅外探測、太陽能電池等領域。
巴文迪聽到對方選鈣鈦礦，笑了：「萊特，我不太清楚你做實驗的水平怎麼樣，因為你那篇論文沒有太展現你這方面的天賦。
鈣鈦礦這個方向想發論文，對實驗的要求非常高，伱需要能夠做出別人做不出來的結果，或者說要觀測到別人觀測不到的現象，並且能夠把它進行理論化。」
巴文迪接著說：「當然如果你想在頂級刊物上發表論文，我知道這對華國學生來說很重要，因為你們需要這些證明材料，證明自己的能力，好在回國的時候爭取更好的待遇。
從這個角度出發，鈣鈦礦確實是非常好的方向，每年鈣鈦礦方向的論文，光是nature上就不下十篇，加上Science，這確實是個容易出成果的方向。
只是我不確定你在做實驗方面的天賦怎麼樣。」
陳元光自信心爆棚，這和盤古給的課題比起來根本就不算什麼：「我覺得我可以。」
閱讀更多內容，盡在sto9.c🍒om
巴文迪盯著他的眼睛看了會，然後點了點頭：「ok，你覺得可以就好，那小伙子，讓我們開始幹活吧！」
巴文迪把論文和相關教材的清單發給他之後讓他去自學了，這就是MIT的風格，導師默認你是天才。
「Chen有來過實驗室嗎？」巴文迪問道。
某印度裔學生說道：「沒有見到過他。」
「好吧。」巴文迪有些不解。
等到陳元光再發郵件給他，希望他推薦一些新的論文時，巴文迪回了封郵件問道：「關於論文你有思路了嗎？」
「大致有了，我打算研究如何使用機器學習方法去預測抗溶劑對鈣鈦礦穩定性的高通量情況。」陳元光回復道。
巴文迪看了之後，意識到陳元光還是走到了他熟悉的道路上，做計算化學的路子。
機器學習好啊，2016年阿爾法狗橫空出世戰勝圍棋九段李世石，被譽為機器學習元年。
到現在兩年時間過去，大家都覺得要把人工智慧和本專業進行結合，就像二十年前到處都是網際網路+一樣。
現在是人工智慧+，但是人工智慧人才不好找，谷歌、亞馬遜、FB這些大廠給人工智慧領域的人才開出的價碼堪稱天價，一些創業型公司開的價格更是一個比一個高。
要想招一個懂人工智慧，還懂化學的人才太難了，更別提要把這兩者結合起來的。
哪怕是巴文迪也找不到這方面的人才，陳元光的出現，讓巴文迪有點想法，但沒想到對方適應的這麼快，才來了短短一個月就找到了結合點。
「萊特，明天來趟我的辦公室，我們聊聊具體的研究方向。」巴文迪看到陳元光的回信後也不發郵件了，直接打電話說道。
第二天，「萊特，你大致講講你的想法。」巴文迪把咖啡遞給陳元光。
「我想的是我們可以採取自動表徵、化學機器人合成技術和機器學習結合，去探索抗溶劑的選擇是如何影響到鈣鈦礦的內在穩定性的。
比如說我們選擇不同的末端去做組合，像MAPbI3，CsPbI3和CsPbBr3等等，用於合成一些組合庫，每個庫里它會有自己獨特的組合。
我預計我們一共能夠合成出一千多種成分，然後每個庫使用兩種不同的抗溶劑製作兩次：甲苯和氯仿。
合成後每5分鐘自動進行一次光致發光光譜分析，持續一段時間，具體多長比較合適，這需要做實驗來確定。
最後利用非負矩陣分解來繪製時間和成分依賴的光電子特性。
通過對每個庫使用這個工作流，我們可以找到抗溶劑的選擇對鈣鈦礦的內在穩定性。
其實它可能會是一個動態的過程。」陳元光大致講了一下他的思路。
這思路和之前蛋白質定向誘導進化很像，但是不同的在於是先做實驗，通過化學機器人來設置固定的流程，然後用機器學習去做分析。
巴文迪聽得連連點頭，心想果然是好苗子，難怪萊維特在打電話給他的時候有怨氣：「很棒的想法，萊特，我支持你。
這得看最後的結果，如果結果不錯，那它能發nature或者science。
如果結果不理想，那也能發JACS或者nature的子刊。對於化學領域落後於時代的學者們來說，時下最流行的人工智慧算法，他們還是會給面子的。」
陳元光思忖，主要還是網際網路待遇太好，能把鈣鈦礦和機器學習結合起來的，要麼還沒成長起來，畢竟人工智慧才火了兩年，要麼壓根不會來讀博，早就去工業界賺大錢了。
只是因為這大錢對他來說不算什麼，所以他才有機會在這裡進修。
「教授，另外我們實驗室沒有顯卡，我需要買英偉達最新的顯卡來做計算。」陳元光提到。
巴文迪無奈道：「看來我也落伍了，買，你寫張申請單給我，我簽字之後你拿給蘇珊，讓她去採購。」
「還行，結果算不上好，也不算差，發Nature可能有點勉強，但是發一篇JACS綽綽有餘。」巴文迪盯著結果看了半天，然後說道。
陳元光說：「JACS可以了，我在做這個項目的時候，另外還搞了個項目，這個項目絕對可以發Nature。」
巴文迪震驚：「你說說看。」
陳元光：「我在GitHub上搭了一個跨屬性的深度學習框架，主要可以用來對小材料數據進行預測分析。
主要用了學院一些現成的數據去訓練這個模型，先構建了一個大的數據集，然後基於這個大的數據集去構建不同屬性的小數據集，以及他們的模型。
通過這些模型提煉出來的框架，我們可以去直接輸入物理屬性，作為它的計算和實驗數據集，最後得出它其他特性結果來。」
說白了就是圍繞鈣鈦礦的預測這一個課題，再往下挖了一層，做了一個更通用的結果出來。
（還有更新耶）