機器學習「算出」晶體性質，這次輪到材料學家解放雙手

GIF/431K

近日，北卡羅來納大學（UNC）和杜克大學的科學家開發出一種機器學習演算法，這種演算法能在理論層面上預測包括金屬、陶瓷和其他晶體在內的新材料性質，並為現有材料找到新的用途。

一般情況下，對新材料的預測和實驗是很耗時的，科學家不得不以「試錯」的方式製備材料，該發明無疑大大簡化這一過程。

圖丨多變的材料世界及其內部結構

北卡羅來納大學（UNC）藥學院的Olexandr Isayev博士和Alexander Tropsha博士利用國家標準技術局（NIST）無機晶體結構資料庫中將近6萬種特殊材料的數據，開發了這種演算法工具，並將其命名為「Properties Labeled Materials Fragments」（PLMF）。

利用機器學習分析和模擬已有晶體結構，PLMF方法能夠預測科學家提出的新材料的性能，甚至還能夠填充NIST資料庫中缺少的、且從未被測試出來的材料數據。

圖丨PLMF的建模過程：先分析晶體結構及其與周圍的排布，構建圖像模型；原子為圖像節點

「通常新材料的發現推動科技的發展，只不過新材料的發現總是具有偶然性」，Tropsha表示，「而機器學習是一種基於數據、源於知識的工具，早已在醫療領域的藥品製備上應用廣泛。開發新材料需要花費大量的時間和努力，但往往事與願違，而PLMF工具就能夠幫助材料科學家在真正合成材料之前驗證他們的新點子是否可靠。」

圖丨PLMF的深度學習模型：輸入晶體結構輸出電學和熱力學性質

Tropsha是UNC的特聘教授，並且是分子模型實驗室的負責人，而另一名研究領導者Isayev是UNC的助理教授。他們的研究成果發表在《自然通訊》期刊上。

圖丨《自然通訊》上的論文

PLMF的原理就是，首先創建包含小單元構成的晶體結構的「指紋信息」，來表述包括陶瓷、金屬和合金在內的無機材料。然後，把這些信息與機器學習結合起來，由此得到該晶體的精確模型，進而就能夠準確地預測8個關鍵的電學和熱機械性能，包括導電性、硬度、壓縮性、熱傳遞、溫變反應等。隨著收集更多的數據，研究團隊希望預測更多的性能。

圖丨8個預測值（帶隙能量、體積模量、楊氏模量、德拜溫度、一定溫度和壓強下比熱容以及熱膨脹係數）與實際測量的相關性

實際中，人們想要實現某個特定的性能，就需要在該性能對應的一個範圍里找到合適的材料。利用PLMF工具，結合對這些材料的認知以及機器學習，就可以快速地篩選出理想的材料。這樣可以快速地縮小合適材料對應的範圍，並避免很多無用的、複雜的計算，節省財力、時間和計算資源。

該團隊與UNC化學系的Jim Cahoon助理教授合作，完成了第一個PLMF的實際應用案例——設計一種新型的電極材料用於低成本的太陽能電池。目前常用的氧化鎳電極材料，效率低、有毒，並且需要有機試劑作為溶劑，而PLMF的新材料成功解決了許多問題。

圖丨電池的兩極

在這一案例中，研究人員篩選了幾乎5萬種已知的無機化合物，並最終利用PLMF判定鈦酸鉛是最理想的電極材料。這一判定在後來的實驗測試中得到了確認。結果證明，利用鈦酸鉛製備的裝置表現出最優性能，並且它採用水作為溶劑，而非常用的有機溶劑，於是達到了降低成本且更加環保的效果。

Isayev表示：「鈦酸鉛可能並不是大多材料科學家的第一選擇，因為它的結構與常用的氧化鎳相差太多。基於鐵、鈷或者銅基材料更有可能被考慮，因為它們的化學性質與鎳更相近。」

圖丨鈦酸鉛晶體

「相比起我們的「試錯」的研究，PLMF的機器學習找到了一個便捷和新穎的解決途徑。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！