科研正在走向“第四范式”，既数据领先和主导的科研探索

随着大量数据的产生，科学数据已成为科学研究的关键成果和重要的战略性资源，科研也步入了数据密集型的“第四范式时代”。1998年图灵奖得主吉姆·格雷在2007年提出的科学方法革命的“范式转换”。科学研究的范式可以分为四类，

传统的实验归纳，

模型推演，仿真模拟和数据密集型科学发现(Data-IntensiveScientificDiscovery)。

新的信息技术已促使数据密集型科学发明，即科学研究的“第四范式”。

DeepMind突破性进入物理科学，特别在数学和材料科学

构建一个猜测或假设和有关联方面变量的模型，通常用观察到的大规模这些变量的实体价值，用数据主动的猜测产生模型

DeepMind 构建一个由数学家和监督ML模型(NN)相互作用的两个工作流，数学家提出假设，(一个由两个变量的方程，投入inputX(z)and产出Y(z)).计算机产生大量数据的变量实体，NN 模型模拟拟合数据，决定最接近的相关投入X(z)，数学家进一步微调和优化假设。程序重复，直到假设被大规模数据支持。

德克萨斯A&M大学等开发人工智能框架寻找耐氧化高熵合金

德克萨斯A&M大学与埃姆斯国家实验室研究人员联合开发了一个人工智能框架，可以预测能够承受极端高温和氧化环境的高熵合金，大大减少实验数量，节约时间和成本。

高熵合金(HEA)由多种占比相近的金属元素构成，相比传统合金具有很多独特性质，例如很好的耐高温性能。但是HEA往往很容易氧化，因此需要通过大量实验寻找具有耐氧化能力的HEA。这类耐高温耐氧化材料在航空航天、核反应堆、化工设备等领域具有广泛而重要的用4

为了降低寻找耐氧化HEA的时间成本，研究人员开发了一个人工智能框架用于预测HEA性质。该框架结合了计算热力学、机器学习和量子力学，能够定量地预测任意化学成分的HEA的氧化情况，计算筛选合金所需的时间从几年缩短至几分钟。虽然该框架的预测结果不是百分之百准确，但是可以筛选出不能满足要求的合金，为科学家提供优化设计的宝贵信息。研究人员表示，该研究能够促成耐高温、耐氧化新材料的发现，有助于实现碳排放目标。