前沿进展｜机器学习方法预测材料性能的新进展

近二十年来，机器学习方法的发展为我们的生活带来了许多便利。智能网络搜索、语音识别，乃至无人超市、无人驾驶汽车等，依托于机器学习方法的新事物正迅速地在我们的生活中普及。Alpha Go的横空出世更是让世界惊叹于人工智能的潜在价值。在科研领域，大数据的理念正在改变着科研人员对未知世界的探索模式。美国在2011年提出了材料基因组计划（Materials Genome Initiative），以期加快材料的研发进程。在我国怀柔科学城的发展规划中，重点平台项目“材料基因组研究平台”现已全面开工，高通量实验+高性能计算+深度数据分析的研究模式已经成为时代发展的趋势。

在非晶合金研究领域，如何设计并开发具有良好玻璃形成能力的合金，一直是一个具有重要产业价值的基础科学问题。过去，受到经验性判据的准确性和通用性的限制，新型高性能非晶合金材料的研发进程非常缓慢。如何提高材料设计的效率，寻找具有更优性能的材料，是一个非常具有挑战性的问题。

最近，中国科学院物理研究所/北京凝聚态物理国家实验室（筹）汪卫华研究组（EX4组）博士研究生孙奕韬在汪卫华研究员、白海洋研究员的指导下，与人民大学物理系李茂枝教授合作，采用机器学习的方法，对影响二元合金玻璃形成能力的诸多因素进行了系统的研究，建立了合金成分与性能之间的关联，并对可能的新材料进行了预测。研究过程中使用到了支持向量机（Support Vector Machine）这种方法（图1），通过构建多维空间，并在这个多维空间内对数据进行分割，从而建立输入参量与输出参量之间的关联。

图1. 支持向量机方法的基本过程，包括四个主要部分：数据库的建立，模型的训练，模型的评估，以及最优模型的预测。

在该研究方法下，通过不断选择新的参数对模型进行重复训练，探讨了合金的不同性质对其玻璃形成能力的影响（图2）。研究发现，参量ΔTliq（表征合金过冷能力）与合金的玻璃形成能力有最为显著的关联，而且在使用参量ΔTliq与Tfic（表征合金热稳定性）作为输入参数时，可以得到具有最佳预测效率的模型。通过对最佳模型的分析，可以看到已发现的具有良好玻璃形成能力的二元合金，其分布与模型的预测值具有很好的一致性（图3）。使用这个模型，可以对未知的合金成分进行预测，这样由深度数据分析指导设计的实验，能够极大地缩短新材料的研发周期（图4）。

图2. 不同的输入参数得到的模型的预测结果

图3. 最优模型的预测结果。已发现的优秀材料与模型预测（红色区域）有很好的一致性

图4. 最优模型预测得到最佳玻璃形成能力的合金体系的成分云图

该结果表明，机器学习的方法在材料设计与研发领域具有重要的应用前景。在更全面、完善的数据库，更深入的人工智能算法支撑下，机器学习方法能够为科研人员提供更准确的信息，加速材料的研发过程。

该工作作为使用新的工具对经典问题进行分析的一种尝试，得到了初步成果。这项研究结果最近发表在J. Phys. Chem. Lett. 上。上述研究工作得到国家自然科学基金项目（51571209，51631003，51461165101）、973项目（2015CB856800）和中科院前沿科学关键研究项目（QYZDY-SSW-JSC017）的支持。

该论文作者为：Y. T. Sun, H. Y. Bai, M. Z. Li, W. H. Wang

本文转载自X-mol，转载目的在于知识分享，本文观点不代表V-suan云平台立场。