康奈尔大学计算科学教授、主要研究人员Carla Gomes教授表示：“问题迫使我们开发全新的方法，真正推进人工智能前沿领域，获得物理上有意义的解决方案。”当时，研究人员正在寻找一种催化剂，以改进汽车燃料电池。这种催化剂能让汽车用甲醇替代难以储存的氢，甲醇的效率可能要高得多。
加州理工学院的研究员John Gregoire博士表示：“但是，我们已知的材料中，都不能充当有效的甲醇氧化催化剂，因此需要一种新材料。想要找到可行的催化剂，需要对元素周期表上的所有元素进行组合，这个数量太大了，不能做传统实验。”
研究人员还需要了解材料的晶体结构或相结构，因为固体可能具有多种相结构，而每一种结构作为催化剂的行为都不同。“人类可以解决包含两个元素的简单合成系统的相位图，”Gregoire说，“但是，超过两个元素时，人类需要处理的信息太多，因此需要人工智能的帮助。然而，现有机器学习方法并不适合严苛的科学研究。因为解决方案不仅必须是可信的，而且必须遵守物理和化学定律。“
为了迎接这一挑战，Gomes和同事开发名为“晶体”(CRYSTAL)的系统，用于晶体相位映射。该系统包括多个机器人程序，分别负责问题的不同部分，预测各种组合的相位结构，并确保这些预测符合热力学规则。机器学习系统通常学习使用大量带注释的训练数据解决问题。
例如，通过标记为“狗”或“猫”的图像集训练区分狗和猫的算法。但是，在此次研究中，没有现成的标记数据，因此，CRYSTAL需要能够从无标记数据中得出推论，这一过程被称为无监督学习。“对于单一系统来说，这将是压倒性的，是不可能实现的。”Gomes 说，“但是，如果我们灵活地将多代理系统集中在一起，就能够快速找到解决方案，并满足所有的条件。“Gomes称，CRYSTAL的灵感部分来自IBM沃森超级计算机。
通过CRYSTAL系统，研究人员识别出一种独特的催化剂，它由三种元素结晶成一定的结构，对甲醇氧化有效，可以用于基于甲醇的燃料电池。Gregoire表示:“这一重要发现，挑战我们对催化的理解，也是设计下一代催化剂的重要研究方向。”
